Kausalinferenz

Übersicht

Kausale Inferenz fragt, was mit einem Ergebnis passieren würde, wenn eine Behandlung, Politik oder Exposition geändert würden, während andere relevante Bedingungen vergleichbar gehalten wurden. Da die gleiche Einheit unter zwei Alternativen nicht gleichzeitig beobachtet werden kann, kombinieren die Forscher explizite Annahmen, Studiendesign und statistische Modelle, um kontrafaktische Kontraste aus unvollständigen Beweisen abzuschätzen.

Technische Grundlagen

Der Rahmen für potenzielle Ergebnisse definiert die Reaktion einer Einheit auf jede Behandlungsstufe und drückt einen durchschnittlichen Behandlungseffekt als Kontrast zwischen diesen kontrafaktischen Mengen aus. Grafische Kausalmodelle stellen stattdessen Variablen und gerichtete strukturelle Beziehungen dar, wobei mit Hilfe der d-Trennung bestimmt wird, welche bedingte Unabhängigkeiten aus einem Graphen folgen. Die beiden Formalismen treffen sich durch Annahmen wie Konsistenz, Austauschbarkeit und Positivität. Die Identifikation unterscheidet sich von der Schätzung: Zunächst wird nachgewiesen, dass der Zieleffekt als Funktion der Beobachtungsdatenverteilung geschrieben werden kann, und erst dann wird ein Schätzer für dieses Funktional ausgewählt.

Wie es funktioniert

Eine kausale Frage definiert die Intervention, Zielpopulation, Ergebnis und Zeithorizont. Zufällige Zuordnung kann bekannte und unbekannte Ursachen im Durchschnitt ausgleichen. In Beobachtungsdaten versuchen Anpassung, Matching, Gewichtung, instrumentelle Variablen oder quasi-experimentelle Designs, einen gültigen Vergleich zu rekonstruieren, indem sie nicht-kausale Pfade blockieren, ohne Variablen zu konditionieren, die eine Selektionsverzerrung einführen.

Mess- und Forschungsmethoden

Randomisierte Studien schätzen die Wirkung von Intention-to-Treat unter Einhaltung und Fehlen von im Voraus festgelegten Regeln. Beobachtungsstudien verwenden Standardisierung, Inverse-Wahrscheinlichkeits-Gewichtung, Matching oder doppelt robuste Schätzer nach Festlegung eines zulässigen Anpassungssatzes. Instrumental-Variable-, Regressions-Diskontinuitäts- und Differenz-in-Differenzen-Designs nutzen spezifische Quellen quasi-zufälliger Variationen mit jeweils separaten Ausschluss-, Kontinuitäts- oder Paralleltrendannahmen. Die Diagnose untersucht Überlappungen, Kovariatengleichgewicht und Modellabhängigkeit, während Negativkontrollen und Placebotests ausgewählte Fehlermodi untersuchen. Vertrauensintervalle betreffen Variationen bei der Stichprobe, beinhalten jedoch nicht automatisch Unsicherheiten über den Kausalgraphen oder ungemessene Verfälschungen.

Schlüsselideen

• Assoziation wird nur durch annahmen, die an ein vertretbares design gebunden sind, zu kausalen beweisen.
• Ein gerichteter azyklischer Graph kann Störer, Mediatoren und Collider aufdecken, bevor die Modellierung beginnt.
• Die Sensitivitätsanalyse sollte quantifizieren, wie ungemessene Verzerrungen die Schlussfolgerung verändern könnten.

Aktuelle Forschungsgrenze

Aktuelle Forschung kombiniert flexibles maschinelles Lernen mit orthogonalen Werten, gezieltem Lernen und Cross-Fitting, so dass Belästigungsmodelle komplex sein können, ohne die Behandlungseffekt-Inferenz zu dominieren. Heterogene Effektmethoden schätzen, wie sich Nutzen und Schaden zwischen den Gruppen unterscheiden, aber die Entdeckung von Subgruppen erfordert eine Multiplikationskontrolle und externe Validierung. Transportabilitätsmethoden formalisieren, ob die Versuchsergebnisse auf eine neue Population zutreffen, während die kausale Entdeckung nach Graphenstruktur unter Annahmen sucht, die selten perfekt erfüllt werden. Wichtige Grenzen sind die Einmischung in Netzwerke, dynamische Behandlungsregime, zeitlich variierende Längsverwirrung und Sensitivitätsanalysen, die berichten, wie stark eine ausgelassene gemeinsame Ursache sein muss, um eine Entscheidung rückgängig zu machen.

Warum es wichtig ist

Zuverlässige Kausalschätzungen leiten Medizin, öffentliche Politik, Bildung und Produktentscheidungen, bei denen die Vorhersage allein die Wirkung einer Maßnahme nicht identifizieren kann. Der Rahmen macht auch Meinungsverschiedenheiten prüfbar, indem er datengestützte Mengen von Annahmen trennt.

Grenzen und offene Fragen

Kausale Wirkungen dürfen sich nicht über Populationen, Perioden oder Umsetzungsbedingungen hinweg transportieren. Positivitätsverletzungen, Interferenzen zwischen Einheiten, Messfehler und ungemessene Verwechslung können dazu führen, dass eine Schätzung schwach identifiziert oder unmöglich aus den verfügbaren Daten wiederhergestellt werden kann.