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