årsaksmodeller

Årsaksmodeller er teoretiske og matematiske rammeverk som brukes til å beskrive og analysere årsak-virkning-forhold i fenomener. De gjør det mulig å formulere spørsmål om hva som ville skjedd under andre forhold, og å vurdere effekten av tiltak eller behandlinger basert på data.

De vanligste formene inkluderer grafiske årsaksmodeller som rettede acykliske grafer (DAG-er), strukturelle kausalmodeller og potensielle utfall-modeller. DAG-er brukes til å illustrere og analysere hvilke variabler som påvirker hvilke andre, og til å avdekke betinget konfounding. Potensielle utfall beskriver hva hvert utfall ville være i hvert mulig underliggende tilstand.

Kausalinferens innebærer identifikasjon av effektmål og estimering fra data. Dette gjøres ofte gjennom eksperimenter eller naturlige eksperimenter, men kan også baseres på observasjonsdata ved hjelp av metoder som kontroll for konfounding, instrumentvariabler, matched samples og do-calculus for å håndtere intervensjoner (do-operasjonen).

Anvendelser forekommer i medisin for å vurdere behandlingseffekt, i økonomi og samfunnsvitenskap for policyanalyse, i miljøforskning og i teknologi.

Begrensninger inkluderer krav om klare antakelser om identifikasjon, risiko for unobserved konfounding, og modellavhengighet. Data må være av tilstrekkelig kvalitet og relevans, og tolkning av årsaksmodeller avhenger av korrekt modellering av virkningsmekanismer.

Historisk har årsaksmodeller bidratt til å gjøre empiriske funn mer eksplisitte ved å tydeliggjøre hvilke antakelser som ligger til grunn. Store bidrag kommer fra felt som strukturell kausal modellering og potensielle utfall, med sentrale arbeid av forskere som Judea Pearl og Donald Rubin.