Statistik-Glossar

Konfundierung

Confounding / Confounding Bias / Störvariable · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Konfundierung?
Warum ist Konfundierung für statistische Analysen wichtig?
Praxisbeispiel

Was versteht man unter Konfundierung?

Konfundierung (englisch: confounding) liegt vor, wenn der beobachtete Zusammenhang zwischen einer unabhängigen Variable (UV) und einer abhängigen Variable (AV) durch eine dritte Variable verzerrt wird – den sogenannten Konfounder oder die Störvariable. Ein Konfounder ist dabei eine Variable, die gleichzeitig mit der UV zusammenhängt und die AV beeinflusst, ohne selbst auf dem kausalen Pfad zwischen UV und AV zu liegen.

Formal lässt sich die Bedingung für einen Konfounder K so beschreiben: K ist mit der unabhängigen Variable assoziiert, K beeinflusst die abhängige Variable, und K ist keine Folge der unabhängigen Variable.

Einfach erklärt Stell dir vor, du beobachtest, dass Menschen, die häufig Feuerzeuge bei sich tragen, öfter an Lungenkrebs erkranken. Liegt es am Feuerzeug? Natürlich nicht – der eigentliche Grund ist das Rauchen. Wer raucht, trägt ein Feuerzeug und erkrankt häufiger. Das Rauchen ist hier der Konfounder, der einen scheinbaren Zusammenhang zwischen Feuerzeug und Krebs erzeugt. Konfundierung täuscht also Zusammenhänge vor, die in Wirklichkeit gar nicht kausal sind.

Warum ist Konfundierung für statistische Analysen wichtig?

Konfundierung ist eines der zentralen Probleme in der empirischen Forschung – besonders in Beobachtungsstudien, Umfragen und Sekundärdatenanalysen, wo keine experimentelle Kontrolle über die Zuteilung von Teilnehmenden möglich ist. Sie bedroht die interne Validität einer Studie: Wenn ein Konfounder nicht erkannt und kontrolliert wird, können Kausalaussagen schlichtweg falsch sein.

Typische Strategien, um Konfundierung zu kontrollieren oder zu minimieren, sind:

Randomisierung: Im Experiment werden Teilnehmende zufällig den Bedingungen zugewiesen, sodass Konfunder gleichmäßig verteilt und damit neutralisiert werden. Dies ist die wirksamste Methode.
Statistische Kontrolle: In Regressionsmodellen werden potenzielle Konfunder als Kontrollvariablen aufgenommen, um ihren Einfluss rechnerisch herauszuhalten.
Matching: Studienteilnehmende werden anhand relevanter Merkmale (z. B. Alter, Geschlecht) einander zugeordnet, um Gruppen vergleichbar zu machen.
Stratifizierung: Die Analyse wird getrennt für verschiedene Gruppen des Konfunders durchgeführt.

Häufiger Fehler Viele Studierende verwechseln einen Konfounder mit einer Mediatorvariable. Ein Mediator liegt auf dem kausalen Pfad zwischen UV und AV – er erklärt, wie der Effekt zustande kommt. Ein Konfounder hingegen liegt außerhalb dieses Pfades und verzerrt den beobachteten Zusammenhang. Den Unterschied zu kennen ist entscheidend, denn Mediatoren sollte man in vielen Analysen gerade nicht kontrollieren.

Gut zu wissen Dass eine Variable als Konfounder identifiziert wird, ist keine rein statistische, sondern vor allem eine inhaltlich-theoretische Entscheidung. Statistik allein kann nicht feststellen, ob Konfundierung vorliegt – dafür braucht es Fachwissen über die untersuchten Zusammenhänge.

Praxisbeispiel zu Konfundierung

Eine Forscherin untersucht, ob regelmäßiger Kaffeekonsum das Risiko für Herzerkrankungen erhöht. In ihrer Beobachtungsstudie findet sie einen positiven Zusammenhang: Wer mehr Kaffee trinkt, hat häufiger Herzprobleme.

Doch sie bemerkt, dass Kaffeetrinker in ihrer Stichprobe auch deutlich häufiger rauchen. Rauchen ist bekanntermaßen ein Risikofaktor für Herzerkrankungen und hängt mit dem Kaffeekonsum zusammen – damit erfüllt Rauchen alle Kriterien eines Konfunders.

Tabelle 1. Herzerkrankungsrate nach Kaffeekonsum – mit und ohne Kontrolle für Rauchen
Gruppe	Herzerkrankungsrate (unkontrolliert)	Herzerkrankungsrate (kontrolliert für Rauchen)
Kein Kaffee	8 %	12 %
Moderater Kaffeekonsum	14 %	11 %
Hoher Kaffeekonsum	22 %	13 %

Nachdem die Forscherin für Rauchen statistisch kontrolliert – also den Effekt des Rauchens herausrechnet –, verschwindet der Zusammenhang zwischen Kaffee und Herzerkrankungen weitgehend. Die erhöhten Raten in der unkontrollierten Analyse waren also kein Effekt des Kaffees, sondern des mitlaufenden Rauchverhaltens. Ohne die Kontrolle des Konfunders wäre eine falsche Schlussfolgerung gezogen worden.