Correlatie en causaliteit
Correlatie beschrijft samenhang: twee variabelen bewegen op een bepaalde manier met elkaar mee. Causaliteit gaat een stap verder: de ene variabele veroorzaakt een verandering in de andere. Dat lijkt een klein verschil, maar het bepaalt of je alleen een interessant patroon ziet of een conclusie kunt trekken waar je echt op kunt handelen.

Dat verschil is belangrijk in onderzoek, beleid, gezondheidsclaims en datavisualisatie. Een overtuigende grafiek, infographic of animatie kan een verband snel geloofwaardig laten lijken, terwijl het bewijs voor oorzaak en gevolg nog ontbreekt. Wil je die patronen zorgvuldiger duiden? Denk aan KPI’s in context visualiseren, zodat relaties niet te snel als oorzaak-gevolg worden geïnterpreteerd. Hieronder zie je hoe je het verschil herkent, met praktische voorbeelden en een eenvoudige manier om causale claims beter te beoordelen.
Waarom twee patronen nog geen oorzaak-gevolg bewijzen
Dat twee variabelen tegelijk stijgen of dalen, betekent niet automatisch dat de ene de andere aanstuurt. Soms reageren ze allebei op dezelfde externe factor, zoals seizoen, leeftijd, economische groei of veranderend gedrag. In andere gevallen bewegen ze toevallig mee, zonder inhoudelijke relatie. Een zichtbaar patroon is dus vooral een signaal dat er iets aan de hand kán zijn, niet meteen een bewijs van oorzaak en gevolg.
Dat onderscheid is cruciaal, net als bij output, outcome en impact. Een correlatie kan nuttig zijn om te voorspellen wat er waarschijnlijk gebeurt, maar dat is iets anders dan weten welke knop je moet indrukken om een uitkomst te veranderen. Voor onderzoek, gezondheidsinformatie en beleid maakt dat veel uit: wie correlatie en causaliteit door elkaar haalt, trekt sneller verkeerde conclusies en neemt eerder ineffectieve beslissingen. Zeker bij sterke datavisualisaties geldt dat een helder patroon overtuigend kan ogen, terwijl de onderbouwing voor een causale claim nog te zwak is.
Wat correlatie laat zien
- Correlatie betekent dat twee variabelen statistisch samenhangen. Verandert de ene, dan verandert de andere relatief vaak mee. Daarmee weet je nog niet waarom dat gebeurt en ook niet of de ene factor de andere beïnvloedt.
- Bij een positieve correlatie bewegen twee variabelen in dezelfde richting. Een herkenbaar voorbeeld is buitentemperatuur en ijsverkoop: als het warmer wordt, stijgt de verkoop vaak mee.
- Bij een negatieve correlatie bewegen variabelen juist tegengesteld. Denk aan prijs en vraag: in veel markten neemt de vraag af wanneer de prijs stijgt.
- Soms is er geen duidelijke correlatie. Dan lijkt verandering in de ene variabele weinig of geen voorspellende waarde te hebben voor verandering in de andere.
- Correlaties zijn wel degelijk nuttig. Ze helpen bij patroonherkenning, voorspellingen en het formuleren van hypotheses die je later gerichter kunt testen.
- Een zichtbare correlatie kan bovendien ontstaan of sterker lijken door een derde factor. Zulke verstorende variabelen beïnvloeden beide gemeten variabelen tegelijk, waardoor een direct verband aannemelijker lijkt dan het werkelijk is.
Wat causaliteit in de praktijk betekent
Causaliteit betekent dat een verandering in factor A daadwerkelijk leidt tot een verandering in factor B. De relatie is dan niet alleen zichtbaar in de data, maar ook inhoudelijk en methodologisch onderbouwd. Daarom zijn causale uitspraken veel sterker dan gewone correlaties en vragen ze meer bewijs dan twee lijnen die tegelijk bewegen.
Een bekend voorbeeld is roken en longkanker: dat is niet zomaar een patroon, maar een oorzakelijk verband dat breed is onderbouwd. Ook bij beweging en gezondheid kijk je naar meer dan samenhang alleen: meer bewegen kan bijvoorbeeld de conditie verbeteren. Zulke uitspraken vereisen dus sterker bewijs dan een correlatie die alleen laat zien dat twee verschijnselen samen voorkomen.
Hoe causaliteit wordt onderzocht
- De eerste stap is alternatieve verklaringen serieus nemen. Alleen iets waarnemen in een dataset of grafiek is niet genoeg als seizoenen, leeftijd, marktgroei, selectie-effecten of het ontbreken van een representatieve steekproef ook een rol kunnen spelen.
- Gecontroleerde experimenten geven vaak de sterkste aanwijzingen voor causaliteit. Door groepen bewust verschillend te behandelen en andere omstandigheden zo gelijk mogelijk te houden, wordt duidelijker of factor A echt effect heeft op factor B.
- Longitudinaal onderzoek kijkt naar de volgorde in de tijd. Een veronderstelde oorzaak moet vóór het effect optreden; gebeurt dat niet, dan valt een causale uitleg al snel weg.
- Onderzoekers analyseren verstorende variabelen expliciet. Ze corrigeren bijvoorbeeld voor leeftijd, inkomen, gezondheid, seizoen of ander gedrag om te zien of het verband daarna overeind blijft; ook datakwaliteit visualiseren helpt om meetfouten en hiaten sneller te herkennen.
- Belangrijk is dat een statistische toets, een hoge correlatiecoëfficiënt of een nette visualisatie op zichzelf geen causaliteit bewijst; bij misleidende grafieken is dat risico nog groter. Een causale claim wordt meestal aannemelijk door een combinatie van onderzoeksmethode, timing, inhoudelijke logica en context.
Hoe je bevindingen communiceert, doet er ook toe. Formuleer helder, benoem beperkingen en vermijd onterechte causaliteitsclaims; deze gids over onderzoeksresultaten presenteren helpt daarbij.
Maak ingewikkelde informatie helder, begrijpelijk en overtuigend
Voorbeelden van correlatie, causaliteit en schijncorrelatie
In één overzicht zie je snel hoe verschillend dezelfde soort data geïnterpreteerd kan worden. Het gaat niet alleen om of er samenhang is, maar vooral om wat die samenhang verklaart.
| Voorbeeld | Type relatie | Wat kan de samenhang verklaren? | Juiste interpretatie |
|---|---|---|---|
| Roken en longkanker | Causaliteit | Dit verband is niet goed te verklaren door toeval alleen. Het is consistent gevonden en past bij wat bekend is over schadelijke blootstelling. | Causaal verband aannemen. Dit is sterk genoeg om waarschuwingen, preventie en beleid op te baseren. |
| Zoekopdrachten naar “griep” en het aantal griepgevallen | Correlatie als signaal | Beide bewegen mee met dezelfde onderliggende uitbraak. Het zoekvolume veroorzaakt de griep niet, maar weerspiegelt wat er in de populatie gebeurt. | Gebruiken om te voorspellen of te monitoren, niet als causale claim presenteren. |
| Meer schermtijd in de avond en slechtere slaap | Correlatie die verder onderzoek vraagt | Een deel kan causaal zijn, maar stress, werkritme, cafeïne of bestaande slaapproblemen kunnen de samenhang ook beïnvloeden. | Verder onderzoeken voordat je een harde oorzaak-gevolgconclusie trekt. |
| IJsverkoop en verdrinkingen | Schijncorrelatie | Een derde variabele, warm zomerweer, verhoogt beide. De gelijktijdige stijging zegt dus weinig over directe invloed. | Causaliteit verwerpen tussen deze twee variabelen zelf en eerst de seizoensfactor meenemen. |
| Stijgend mobiel dataverbruik en stijgende huizenprijzen over meerdere jaren | Schijncorrelatie door trendgelijkenis | Beide reeksen kunnen in dezelfde periode oplopen, vooral doordat veel maatschappelijke ontwikkelingen tegelijk veranderen in de tijd. | Niet causaal uitleggen. Corrigeer eerst voor de tijdstrend en onderzoek daarna of er inhoudelijk nog iets overblijft. |


Klaar om jouw A naar AA te brengen?
Of het nu gaat om een ambitie, product, proces, technologie of idee: wij maken zichtbaar wat het bijzonder maakt en vertalen het naar beeld dat helder, overtuigend en onmogelijk te negeren is.






