Kausalmodellierung

Kausalmodellierung ist ein Forschungsansatz, der versucht, kausale Zusammenhänge zwischen Variablen zu beschreiben und zu quantifizieren. Im Gegensatz zur reinen Statistik, die Korrelationen misst, zielt sie darauf ab zu erklären, wie Veränderungen in einer Variable andere Variablen beeinflussen. Zentral ist die Vorstellung von Modellen, in denen Ursachen direkt oder indirekt über Mechanismen wirken.

Diagramme in Form von kausalen Graphen (gerichtete, azyklische Graphen, DAGs) dienen als visuelle und rechnerische Repräsentationen der vermuteten Ursachenstrukturen. Knoten stehen für Variablen, Kanten für direkte kausale Einflüsse. Strukturelle Gleichungsmodelle (SEMs) und das Potential-Outcome-Framework ergänzen sich: SEMs geben rationale Gleichungen an, während das Potential-Outcome-Modell Kontrafaktische und Interventionen formt.

Ein zentrales Ziel ist die Beantwortung von Interventionsfragen, etwa: Was passiert, wenn X manipuliert wird? Der Do-Operator beschreibt eine Intervention und erlaubt, aus Beobachtungsdaten kausale Effekte abzuleiten, sofern identifizierbare Bedingungen erfüllt sind. Kriterien wie das Back-D door-Kriterium oder das Front-Door-Kriterium helfen zu prüfen, ob ein kausaler Effekt identifizierbar ist. Methoden umfassen Do-Calculus, G-Formel, Propensity Score Matching und andere Ansätze zur Inferenz aus Beobachtungs- oder Experimentaldaten.

Anwendungen umfassen Epidemiologie, Ökonomie, Sozial- und Verhaltenswissenschaften. Risiken bestehen in Annahmefehlern, ungemessenen Störfaktoren und Modellabhängigkeiten.

Historisch entwickeln sich die Ansätze aus der Arbeit von Neyman, Rubin und Pearls Kausalrechnungen; heute werden sie in vielen Disziplinen kombiniert verwendet.