Causaliteitsmethoden

Causaliteitsmethoden zijn benaderingen om oorzakelijke relaties tussen variabelen te identificeren en te kwantificeren in data. Ze onderscheiden zich van beschrijvende statistiek doordat ze expliciete aannames over causaliteit maken en streven naar identificeerbare effecten onder welomschreven omstandigheden. Doel is om te begrijpen wat er gebeurt als een toestand of beleidsinterventie verandert, en om verwachtingen te voorspellen bij verschillende scenario’s.

Experimenten en quasi-experimenten vormen de basis van veel causaliteitsmethoden. Randomized controlled trials (RCT’s) zijn de gouden standaard omdat randomisatie confounding minimaliseert. Wanneer randomisatie niet mogelijk is, worden natuurlijke experimenten, instrumentele variabelen en regressie met discontinuiteit gebruikt. Difference-in-differences (DiD) vergelijkt veranderingen over tijd tussen een behandelingsgroep en een controlegroep.

Bij observatieonderzoeken spelen methoden zoals propensity score matching en weighting een rol om op basis van gematchte covariaten tot evenwichtige vergelijkingen te komen. Causal graphs, vaak opgebouwd als Directed Acyclic Graphs (DAGs), en do-calculus helpen bij het identificeren van aanvaardbare aanpassingssets. Mediation-analyse en structureel-equation modelling (SEM) zetten directe en indirecte paden uiteen en geven inzicht in mechanismen.

Over tijd en dynamiek bestaan aanvullende technieken zoals Granger-causaliteit voor tijdreeksen, en g-estimation of marginal structural models om tijdafhankelijke confounding aan te pakken. Daarnaast zijn er data-driven causal discovery-methoden die proberen DAGs te leren uit gegevens, hoewel ze vaak aanvullende aannames vereisen.

Een kernkenmerk van causaliteitsmethoden is expliciete aandacht voor aannames zoals ignorability, identificeerbaarheid en validiteit. Validiteit hangt af van de kwaliteit van de data, de correctheid van het model en de gevoeligheidsanalyses die eventuele biases onderzoeken. In toegepast onderzoek worden resultaten meestal gecontextualiseerd en geïnterpreteerd met onzekerheidsmarges.