9  Kausalinferenz

9.1 Lernsteuerung

9.1.1 Lernziele

  • Sie wissen, ob in Ihrer der Kausaleffekt Ihrer Hypothese identifizierbar ist.
  • Sie wissen, wie man einen DAG erstellt und prüft, um die Identifizierbarkeit eines Kausaleffekts zu untersuchen.

9.1.2 Position im Lernpfad

Sie befinden sich im Abschnitt “Auswertung” in Abbildung 1.2. Behalten Sie Ihren Fortschritt im Projektplan im Blick, s. Abbildung 1.3.

9.1.3 Benötigte R-Pakete

library(tidyverse)
library(easystats)
library(rstanarm)

9.1.4 tl;dr

In diesem Kapitel wird folgende Frage beantwortet: “Macht es überhaupt Sinn, Statistik zu bemühen und einen Effekt meiner UV auf die AV auszurechnen?”. In der Regel untersucht Ihre Forschungsfrage eine Kausalfrage. Eine Kausalfrage fragt, ob X eine Auswirkung (einen “Effekt”) auf Y hat, vgl. Kapitel 3.2.3 und Abbildung 3.4.

(Nur) wenn man aufgrund des DAGs sagen kann, dass der Effekt der UV (auf die AV) “rein” ist, also nicht von anderen Variablen überlagert wird, ist der Effekt der UV identifiziert.

Beispiel 9.1 Der Effekt von Störchen auf Babies ist nicht identifiziert. Der Einfluss von Störchen auf Babies ist konfundiert durch den Einfluss der Umwelt. Das heißt, dass der Zusammenhang von Störchen und Babies nicht kausal ist, sondern ein Scheinkorrelation, vgl. Abbildung 9.1.\(\square\)

Abbildung 9.1: Kausalmodell für das Lehrbuchbeispiel ‘Störche und Babies’

9.2 Einführung in die Kausalanalyse

Dieses Kapitel gibt eine Einführung in die Kausalanalyse.

9.3 Kausalanalyse praktisch: dagitty.net

dagitty.net erlaubt, DAGs online zu zeichnen und ihre Identizierbarkeit zu prüfen.

9.4 Kausalanalyse in der Praxis

  1. Lesen Sie die Literatur zu den Kausaleffekten zwischen Ihrer UV und AV.
  2. Zeichnen Sie bei Dagitty DAGs, die zur Literatur passen.
  3. Lassen Sie sich von Dagitty angeben, welche Variablen Sie kontrollieren müssen, um den Kausaleffekt zu identifizieren.

Gute Nachricht: Ein schwacher konfundierender Einfluss darf als “marginal” deklariert und ignoriert werden. Fragt sich nur, ab wann ist schwach schwach? Eine Antwort darauf ist, wenn der entsprechende Regressionskoeffizient kleiner ist als 5% der Streuung (SD) der AV (Kruschke 2018).

Hinweis

Nicht jede Forschungsfrage ist identifizierbar. Es ist keine Schande, wenn man erkennt, dass der Kausaleffekt der eigenen Studie nicht identifizierbar ist. Im Gegenteil: Sie haben eine wissenschaftlichen Fortschritt erzielt. Denn vor Ihrer Studie war (evtl.) nicht klar, dass es noch ein Problem zu lösen gibt, bevor man die Forschungsfrage beantworten kann. Man war falschen Tatsachen aufgesessen. Jetzt, durch Ihre Studie, ist man einen Schritt weiter: Man weiß jetzt, wo das Problem liegt - und irgendwann wird die Forschung (vielleicht) auch diesen Kausaleffekt identifizieren. Für Ihre Note in einer Qualifizierungsarbeit spielt es keine Rolle, ob der Effekt identifizierbar ist. Für Ihre Note zählt alleine, ob Sie sorgfältig gearbeitet haben.\(\square\)

9.5 Literaturempfehlung

Huntington-Klein (2022) beschreibt auf anschauliche Weise die Praxis der Versuchsplanung mit einem Schwerpunkt auf die Kausalanalyse. Ein weiteres Plus ist, dass das Buch frei im Internet zu lesen ist. Tipp: Mit dem Übersetzungtool eines jeden Browers kann man sich das Buch schnell auf Deutsch übersetzen lassen.

9.6 Aufgaben

Im Datenwerk unter dem Tag causal finden sich eine Reihe von Aufgaben zur Kausalanalyse.