Korrelation vs Kausalität in persönlichen Daten: wie du deine eigenen Zahlen ehrlich liest

Hier ist ein Satz, der wahr klingt. “An Tagen, an denen ich mehr Wasser getrunken habe, war ich konzentrierter. Also verbessert Wasser meine Konzentration.” Der erste Teil ist in Ordnung. Der zweite ist ein Sprung, und in diesem Sprung läuft persönliche Analytik fast immer leise aus dem Ruder.

Dieser Artikel handelt von diesem Sprung. Was dir eine Korrelation in deinen eigenen Daten sagt, was sie nicht sagt, die vier häufigsten Fehllesungen und wie du auf ein Muster reagierst, ohne zu viel hineinzuinterpretieren. Wenn dir das alles neu ist, beginne mit unserem Leitfaden zur persönlichen Analytik und komm zurück, wenn du ein paar Wochen Erfassung hinter dir hast.

Was eine Korrelation wirklich ist

Eine Korrelation ist im persönlichen Sinn eine kleine statistische Beobachtung. Sie sagt: in deinen Daten, in diesem Zeitraum, haben sich zwei Felder oft gemeinsam bewegt. War das eine hoch, war das andere hoch. Oder war das eine hoch, war das andere niedrig. Über viele Tage hinweg fielen Tage mit viel Wasser häufiger mit Tagen hoher Konzentration zusammen als nicht.

Das ist eine echte Tatsache über deine Logs. Es ist auch eine viel engere Tatsache, als es sich anfühlt.

Eine Korrelation ist gleich dreifach begrenzt. Sie ist auf dich begrenzt, nicht auf andere. Sie ist auf diesen Lebensabschnitt begrenzt, nicht auf den Rest. Und sie ist begrenzt durch alles andere, was an diesen Tagen passierte, was die Korrelation still in ihre eigene Form aufsaugt. Die Zahl, die du siehst, ist das Muster, nachdem das Leben sie durchgepresst hat, nicht davor.

Eine Korrelation wie ein sauberes Naturgesetz zu lesen, ist der einfachste Fehler, und die meisten Tracker tun nichts, um ihn zu verhindern.

Was eine Korrelation nicht ist

Vier Dinge im Besonderen. Keines davon ist eine spitzfindige Wortklauberei. Sie machen den Unterschied aus zwischen guter Nutzung deiner Daten und Selbstbetrug.

Sie ist kein Beweis, dass eine Sache die andere verursacht hat

Wenn Wasser und Konzentration sich gemeinsam bewegen, passen mehrere Geschichten gleich gut. Vielleicht hilft Wasser der Konzentration. Vielleicht macht die Konzentration, oder was immer einen konzentrierten Tag macht, dich auch zum Wassertrinken (du hast an die Flasche gedacht, weil der Tag ruhig war). Vielleicht sind beide Folge von etwas Drittem, einem entspannten Zeitplan, einem Wochenende, einer Jahreszeit. Die Korrelation kann das nicht auseinanderhalten. Nur ein Experiment kann es ansatzweise.

Sie ist kein Beweis, dass das Muster nächsten Monat hält

Ein Muster, das im März sauber war, kann im April verschwinden. Dein Leben ändert sich, deine Gewohnheiten ändern sich, die Jahreszeiten ändern sich. Eine Korrelation beschreibt, was war, nicht, was kommt. Sie als Prognose zu lesen, ist Überlesung.

Sie ist kein Beweis, dass das Muster für andere gilt

Deine Mitbewohnerin könnte exakt die gleichen Felder über die gleichen Wochen erfassen und eine andere Form bekommen. Persönliche Analytik ist per Definition persönlich. Ein Muster in deinen Daten hat keinen Anspruch auf andere, und ihres hat keinen Anspruch auf dich.

Sie ist für sich genommen nicht handlungsleitend

Das wird am häufigsten übersehen. Selbst eine starke Korrelation sagt dir nicht von sich aus, ob sich das eine Feld ändert, wenn du das andere veränderst. Weil die Ursache in die andere Richtung laufen kann oder über einen Drittfaktor, ist “mach mehr X für mehr Y” eine Hypothese, keine Schlussfolgerung. Der ehrliche Zug bei einer starken Korrelation ist “ich teste das mal”, nicht “ich handle danach”.

Die vier häufigsten Fehllesungen

Wenn du ein paar Monate sorgfältig erfasst, wirst du in alle vier hineinlaufen. Sie zu benennen hilft.

Die Richtung verwechseln

Wasser und Konzentration ist das klassische Beispiel. Hat das Wasser der Konzentration geholfen, oder war die Art Tag, an dem du dich konzentrieren konntest, zufällig auch die Art Tag, an dem du Wasser trinkst? Du spürst, die Antwort sei die erste. Die Daten schweigen darüber.

Ein richtungsverwechseltes Lesen verwandelt “X korreliert mit Y” reflexhaft in “X verursacht Y”, obwohl “Y verursacht X” oder “beide haben eine gemeinsame Ursache” zu denselben Zahlen passen.

Drittvariablen (die unsichtbare dritte Größe)

Beide Felder können sich gemeinsam bewegen, weil etwas anderes beide bewegt. Schlaf. Stress. Wochenende gegen Wochentag. Eine Deadline. Ein Feiertag. Das Wetter. Deine Daten sehen die beiden Felder, nicht die versteckte dritte, und die versteckte dritte bläst die scheinbare Verbindung still auf.

Eine nützliche Übung: wenn du eine starke Korrelation siehst, schreibe drei andere Dinge auf, die an den X-hohen Tagen ebenfalls geschahen. Wenn die meisten davon mit X mitlaufen, leiht sich die X-zu-Y-Geschichte wahrscheinlich ihre Kraft aus.

Umgekehrte Kausalität

“Mehr Wasser führt zu mehr Konzentration” lässt sich umdrehen, ohne dass die Daten brechen. “Müder zu sein führt zu weniger Wasser, weil die müde Version von dir die Flasche vergisst” produziert die gleiche Punktwolke. Aus einer Korrelation kannst du nicht ableiten, welche Richtung stimmt. Du kannst es aus deiner Selbstkenntnis raten, aber sei ehrlich: du argumentierst, du misst nicht.

Zufall

Die leiseste und häufigste. Bei einer kleinen Tagesmenge kann ein recht sauberes Muster einfach deshalb auftauchen, weil kleine Stichproben das manchmal tun. Zwei Wochen “jedes Mal, wenn ich Sport gemacht habe, fühlte ich mich besser” können sich bis Woche sechs glatt aufflachen. Je kürzer das Fenster, desto mehr Platz hat Rauschen, wie eine Geschichte zu wirken.

Die Heilung sind mehr Daten. Muster, die einen oder zwei Monate ehrlicher Erfassung überleben, verdienen mehr Gewicht als solche, die in zwölf Tagen aufpoppen.

Wie du eine von Loggr gezeigte Korrelation ehrlich liest

Wenn Loggr ein Muster zeigt, dann in klarer Sprache mit einer kleinen Grafik. Etwa “an Trainingstagen war deine Stimmung deutlich höher als an Tagen ohne Training”. Loggr behauptet keine Ursache, sagt dir nicht, was zu tun ist, und beschriftet die Stärke, damit du einordnen kannst.

Das ist die Eingabe. Hier ist eine Checkliste, was du damit machst, bevor du irgendetwas verinnerlichst.

Frage, was diese Tage sonst gemeinsam hatten

Die Trainingstage sind wahrscheinlich nicht nur Trainingstage. Sie sind vielleicht auch die Tage, an denen du gut geschlafen hast, die Tage mit ruhigerem Plan, die Tage, an denen du dich schon gut genug fühltest, um dich bewegen zu wollen. Das Muster, das Loggr zeigt, ist der Umriss der Beziehung. Das Innere liegt bei dir.

Ein einfacher Test: hole deine Tagesnotizen der hohen und der niedrigen Tage nebeneinander. Lies sie. Oft verschiebt sich die Geschichte.

Frage, wie viele Daten dahinterstehen

Stark mit ein bis zwei Monaten konsistenter Logs ist glaubwürdiger als stark mit zwei Wochen. Loggr zeigt ein Muster erst, wenn genug gepaarte Tage dahinterstehen, aber die Schwelle “genug” ist das Minimum für einen glaubwürdigen Blick, nicht für eine abgeschlossene Schlussfolgerung. Ein Muster, das über eine ganze Jahreszeit gehalten hat, ist klar verschieden von einem, das gerade die Schwelle überschritten hat.

Frage, wie groß der Abstand wirklich ist

Wenn an Sporttagen deine Stimmung im Durchschnitt 7,0 war und an Nicht-Sporttagen 6,8, ist das kaum eine Geschichte. Waren Sporttage 7,0 und Nicht-Sporttage 5,0, ist das eine. Loggr zeigt den Vergleich, damit du den Abstand siehst; bleib nicht bei “Loggr hat es stark genannt” stehen und überspring den Teil, in dem du die Zahlen anschaust.

Frage, ob du wolltest, dass es wahr ist

Die schwerste. Wenn ein Muster zu einer Überzeugung passt, mit der du gekommen bist, behandle es mit mehr Skepsis, nicht weniger. Bestätigungsfehler ist die stärkste Kraft in der persönlichen Analytik, mit einem Vorsprung, den die meisten unterschätzen. Ein Muster, das dich überrascht, ist informativer als eines, das dich bestätigt, weil deine Überzeugungen schon an den Daten gezogen haben.

Was du mit einer Korrelation tun kannst

Der Sinn dieses Textes ist nicht, dich vom Hinsehen abzuhalten. Im Gegenteil. Korrelationen in persönlichen Daten sind nützlich, wenn du sie als das behandelst, was sie sind: ein Hypothesengenerator, keine Schlussfolgerung. Drei produktive Verwendungen.

Ein kleines Experiment starten

Wenn du “Trainingstage korrelieren mit besserer Stimmung” siehst, ist der produktive nächste Schritt ein kleines Experiment. Trainiere bewusst an Tagen, an denen du es vielleicht nicht getan hättest, halte alles andere so konstant, wie das Leben es erlaubt, und beobachte. Selbst eine lockere Form davon ist ehrlicher, als auf die Korrelation zu reagieren, als wäre sie ein Beweis. Das Experiment ist der Punkt.

Deshalb gehören Muster am selben Tag und vom Vortag in deinen Werkzeugkasten. Wir haben über Wirkungen vom Vortag getrennt geschrieben: die Lücke zwischen Ursache und Wirkung ist Teil dessen, was ein Experiment wählen muss.

Bemerken, was du nicht beachtet hast

Ein Muster ist manchmal nützlicher für das, was es andeutet, als für das, was es sagt. “Sport korreliert mit Stimmung” sagt vielleicht etwas über Sport. Oder es sagt dir, dass die Tage ohne Sport oft Sonntage sind und dass etwas an deinen Sonntagen die eigentliche Geschichte ist. Die Korrelation zeigte auf Sport; was du bemerkt hast, war etwas anderes. Das zählt.

Selbstkenntnis über die Zeit aufbauen

Zu wissen, dass drei Dinge in deinem Leben gemeinsam auftreten, ist nützlich, auch ohne kausale Erklärung. Du kennst die Form deiner Woche. Du weißt, welche Montage tendenziell härter sind. Nichts davon braucht eine bewiesene Ursache. Es braucht nur eine ehrliche Beschreibung, lange genug wiederholt, dass die Beschreibung stabil wird.

Wie Loggr darum herum gebaut ist

Die Haltung zeigt sich im Produkt.

Loggr zeigt Muster in klarer Sprache. Kein fachsprachlicher Score, keine Ursachenbehauptung, kein Ratschlag. Der Satz beschreibt, was passiert ist, nicht, was du tun sollst.
Loggr beschriftet die Stärke: schwach, moderat, stark. Ein schwaches Muster wird als das gezeigt, was es ist, nicht aufgehübscht.
Loggr zeigt erst dann ein Muster, wenn genug gepaarte Tage dahinterstehen. Darunter erscheint die Erkenntnis gesperrt, mit einer kurzen Notiz, was noch fehlt.
Loggr vergleicht Felder am selben Tag und mit einer Tagesverschiebung und behält die stärkere Beziehung. Das ist die Vortagslogik aus dem Leitfaden zu Paaren. Sie wirkt in beide Richtungen: ein Muster am selben Tag kann ein Vortagsmuster verdecken und umgekehrt.
Loggr interpretiert das Muster nicht für dich. Die Interpretation ist das Denken, und das Denken ist das, was die Übung wertvoll macht.

Die schwere Disziplin

Wenn du aus diesem Text nur eine Gewohnheit mitnimmst, nimm diese. Wenn eine Korrelation etwas bestätigt, das du schon geglaubt hast, sei skeptischer, nicht weniger.

Der Grund ist strukturell. Deine Überzeugungen über dein Leben haben geformt, wie du von Anfang an erfasst hast: welche Felder du gewählt hast, wie du deine Stimmung bewertet hast, woran du dich erinnert hast. Ein Muster, das diese Überzeugungen bestätigt, spiegelt zum Teil diese Entscheidungen, es ist keine unabhängige Tatsache. Ein Muster, das ihnen widerspricht, musste sich gegen deine Voreingenommenheit durchsetzen, um aufzutauchen. Es hat die Aufmerksamkeit verdient.

Wenn eine starke Korrelation auf etwas trifft, das du schon wusstest, mach langsamer. Geh die vier Fehllesungen oben durch. Stelle die vier Checklistenfragen. Entscheide dann, ob du es testen willst. Meistens überlebt das Muster die Prüfung und du hast etwas Ehrliches gelernt. Manchmal nicht, und du hast etwas noch Ehrlicheres gelernt: dass du deine Daten durch eine Linse gelesen hast.

FAQ

Wenn ich keine Kausalität beweisen kann, was ist dann der Punkt?

Schärfere Aufmerksamkeit. Persönliche Daten ersetzen das Denken nicht. Sie richten dein Denken auf die richtigen Stellen. Eine Korrelation sagt “das könnte einen Blick wert sein”. Das ist nützlich, solange du es nicht zu “das ist die Antwort” hochstufst.

Kann ich A/B-Tests an mir selbst machen?

Formal ja. Variiere eine Eingabe, halte die anderen so konstant, wie das Leben es zulässt, erfasse ein paar Wochen, dann dreh die Eingabe um und erfasse ein paar Wochen mehr. Vergleiche. Du bekommst etwas, das einer kausalen Lesart näher kommt, als es eine passive Korrelation kann. Zwei Einschränkungen. Du bist immer noch eine Person, das Ergebnis betrifft also nur dich in diesem Zeitraum. Und das Leben lässt selten alles andere konstant. Persönliche A/B-Tests sind nützlich und begrenzt, beides gleichzeitig.

Soll ich auf eine starke Korrelation reagieren?

Vielleicht, als Experiment. Nicht als Schluss. Die ehrliche Formulierung lautet: “Ich versuche das zwei Wochen und schaue, was passiert, und werde nicht überrascht sein, wenn nichts dabei herauskommt.”

Was, wenn die Korrelation etwas widerspricht, das ich geglaubt habe?

Schenke ihr mehr Aufmerksamkeit, nicht weniger. Muster, die gegenläufige Überzeugungen überleben, sind in der Regel ehrlicher als bestätigende. Ein widersprechendes Muster hat es trotz des Zugs deiner Überzeugungen geschafft. Das ist nach den Maßstäben persönlicher Analytik härtere Evidenz.

Wie lange dauert es, bis ich einem Muster trauen kann?

Eine brauchbare Faustregel: eine Woche zum Einrichten, ein Monat für den ersten glaubwürdigen Blick, eine Jahreszeit für ernsthaftes Gewicht. Muster, die über ein Quartal halten, durch verschiedene Stimmungen und Wochen, sind robuster als Muster, die in einer intensiven Vierzehntageszeit aufpoppen.

Was, wenn Loggr zwei Muster zeigt, die sich widersprechen?

Das kommt vor. Zwei Felder können in entgegengesetzte Richtungen mit einem dritten korrelieren. Oder ein Muster am selben Tag läuft in eine Richtung, während eines vom Vortag in die andere läuft. Das sind die Daten, die ehrlich mit sich selbst sind. Die richtige Lesart ist meistens “hier liegt eine kompliziertere Geschichte”, nicht “eines davon ist falsch”.

Wichtigste Erkenntnisse

Eine Korrelation in deinen Daten ist eine Beschreibung dessen, was in diesem Zeitraum, in deinem Leben, mit allem anderen aufgesogen, geschah. Sie ist real. Und enger, als sie aussieht.
Eine Korrelation ist kein Beweis von Kausalität, keine Prognose, keine Verallgemeinerung auf andere und für sich genommen nicht handlungsleitend.
Die vier häufigen Fehllesungen sind: verwechselte Richtung, versteckte Drittvariablen, umgekehrte Kausalität, Kleinstichproben-Zufall. In alle vier fällt man leicht. Keine ist katastrophal, solange du ehrlich bleibst.
Lies ein Loggr-Muster mit vier Fragen: was hatten diese Tage sonst gemeinsam, wie viele Daten stehen dahinter, wie groß ist der Abstand, und wollte ich, dass es wahr ist?
Der produktive Nutzen einer Korrelation: ein kleines Experiment starten, bemerken, was du nicht beachtet hast, Selbstkenntnis über die Zeit aufbauen. Nichts davon braucht eine Ursachenbehauptung.
Wenn ein Muster etwas bestätigt, das du schon geglaubt hast, sei skeptischer, nicht weniger. Bestätigungsfehler ist die stärkste Kraft in der persönlichen Analytik.

Probiere das beim nächsten Loggr-Muster

Wenn Loggr das nächste Mal eine Korrelation zeigt, handle noch nicht. Schreib drei andere Dinge auf, die sie erklären könnten, und entscheide, ob eines davon plausibler ist als die Geschichte, zu der du zuerst gegriffen hast. Die Übung ist der Punkt. Wenn du noch nicht angefangen hast zu erfassen, kannst du Loggr öffnen und dein erstes Feld in einer Minute anlegen. Sechs Feldtypen, auf iOS, Android und Web. Die Muster erscheinen, wenn genug da ist, um sie zu tragen, in klarer Sprache, mit einer kleinen Grafik. Sie ehrlich zu lesen, ist immer noch deine Aufgabe, und sie ist es wert.