Fachgruppe für Methoden und Evaluation - Universität Bamberg

Fr., 23.09., Symposium: Kausale Effekte: Fortschritte in Theorie und
Anwendung, 9.20-9.40 Uhr, Hörsaal M3/232N (H)
Vergleich von Kausalitätsbedingungen
Felix
Axel Mayer
Rolf Steyer
Thoemmes1
2
2
1 Universität Tübingen
Institut für Erziehungswissenschaft
Europastr. 6
72072 Tübingen
felix.thoemmes
@gmail.com
2 Friedrich-Schiller-Universität
Jena
Institut für Psychologie
Lehrstuhl für Methodenlehre
und Evaluationsforschung
Am Steiger 3, Haus 1
07743 Jena
axel.mayer@uni-jena.de
rolf.steyer@uni-jena.de
In der Literatur zur Theorie kausaler Effekte wurden – teils
stark voneinander isoliert – bestimmte Bedingungen postuliert,
unter denen ein kausaler Effekt unverzerrt geschätzt
werden kann. Einen Vergleich verschiedener Kausalitätstheorien
und deren Annahmen (und letztendlich auch der
daraus resultierenden Verfahren zur Adjustierung von Effekten)
findet man in der Literatur kaum. In diesem Beitrag
sollen zumindest drei verschiedene Ansätze verglichen
werden. Zum einen die Theorie kausaler Effekte mit „potential
outcomes“ (Rubin, 2005), die stochastische Theorie
kausaler Effekte (Steyer, Partchev, Kröhne, Nagengast, &
Fiege, in press), und die DAG (directed acyclic graphs)
Theorie (Pearl, 2000). Es werden die folgenden Bedingungen
und deren Implikation zur Selektion von Kovariaten betrachtet:
die „ignorability assumption“ von Rubin, die „unconfoundedness
assumption“ von Steyer, und das „backdoor
criterion“ von Pearl. Anhand von Beispielen soll untersucht
werden, zu welchem Schluss bezüglich kausaler Effekte
die drei verschiedenen Bedingungen kommen. Hierbei
zeigt sich, dass „ignorability“ eine empirisch nicht testbare
Behauptung ist, die weder verifiziert noch falsifiziert
werden kann. Dies führt zur Empfehlung, immer bezüglich
aller beobachteter Kovariaten zu adjustieren (Rubin, 2009).
Die „unconfoundedness“ kann mit Hilfe gängiger Verfahren
empirisch getestet (falsifiziert) werden. Das „back-door criterion“
kann ebenfalls empirisch getestet werden, setzt
aber auch voraus dass sämtliche Kausalbeziehungen zwischen
den Kovariaten expliziert werden können. An Beispielen
soll veranschaulicht werden wie die verschiedenen
Annahmen in einem angewandten Kontext benutzt werden
können und zu welchen Schlüssen sie gelangen.
Pearl, J. (2000). Causality: models, reasoning, and inference.
Cambridge University Press. Rubin, D. B. (2005). Causal inference
using potential outcomes. Journal of the American Statistical
Association, 100(469), 322-331.
Rubin, D. B. (2009). Author’s reply: Should observational studies
be designed to allow a lack of balance in covariate
distributions across treatment groups? Statistics in Medicine,
28(9), 1420-1423.
Steyer, R., Partchev, I., Kröhne, U., Nagengast, B., & Fiege, C. (in
press). Probability and Causality 1. Springer.
67