kausivaikutus

Kausivaikutus kuvaa sitä, miten yhden muuttujan X muutos vaikuttaa toiseen muuttujaan Y. Kausivaikutusta ei yleensä tulkita pelkäksi korrelaatiossa; sen arviointi edellyttää, että X:n muutos aiheuttaa Y:n muutoksen ceteris paribus eli muiden tekijöiden pysyessä vakaina.

Teoreettinen perusta rakentuu potentiaalisten tulosten ja do-operatorin ympärille. Y1 tarkoittaa Y:tä, jos X=1, ja Y0 sitä, jos X=0. Kausivaikutus yksilötasolla on Y1−Y0. Populaation tasolla kausaalivaikutus mitataan usein keskiarvona: Average Treatment Effect (ATE) = E[Y1−Y0], ja tarkempi mittari on esimerkiksi Average Treatment Effect on the Treated (ATT) sekä Local Average Treatment Effect (LATE).

Tutkimusasetelmat ja identifiointi. Kausivaikutuksia pyritään arvioimaan sekä kokeellisissa että havainnoivissa tutkimuksissa. Kokeet, kuten satunnaistetut kontrollikokeet, tarjoavat suoran kausaalisen estimaatin. Havainnoivissa tutkimuksissa käytetään kvasi-kokeellisia lähestymistapoja, kuten difference-in-differences, regressiorenadeen, regression discontinuity ja propensity score -menetelmiä, sekä instrumenttivaihtoehtoja. Identifiointi edellyttää oletuksia; SUTVA (yksiköiden riippumattomuus ja ei vaikutusta toisiin yksiköihin), sekä olosuhteellinen ignorability eli kontrolloitujen covariatejen perusteella ei ole piileviä sekoittavia tekijöitä. Instrumentit edellyttävät relevanssia ja eksklusion sääntöä (ei suora vaikutus Y:hön suoraan instrumentin kautta).

Estimointi ja tulkinta. Eri estimointimenetelmät tuottavat ATE:n, ATT:n tai LATE:n tuloksia. Tulosten tulkinnassa on tärkeää huomioida epävarmuudet, yleistettävyys ja mahdolliset ulkopuoliset tekijät.

Rajoitteet. Kausivaikutusten arviointi on altis piilevien sekoittajien, valinnan, mittausvirheiden ja aikajärjestelmän epävarmuuksien vaikutuksille. Käytössä olevat työkalut, kuten do-kalculus ja DAG-kuvaajat, auttavat hahmottamaan oletuksia ja mahdollisia identifioinnivirtauksia.