kausale Effekte Flashcards
Hypothesen
(Kausale) Hypothesen:
=Aussagen über Zusammenhänge zwischen x und y
x: Unabhängige Variable (independent, predictor variable)
y: Abhängige Variable (dependent, outcome variable)
Nullhypothese und Alternativhypothese
Nullhypothese: kein Zusammenhang zwischen x und y
Alternativhypothese: ein Zusammenhang zwischen x und y
Es gibt auch deskriptive Hypothesen (-> wie ist y?)
gute Hypothesen
Nicht normativ („es wäre gut, wenn“)
Generell (keine Eigennamen: „Meine Hypothese ist es, dass Thomas gestern Knödel mit Ei gegessen hat“)
Basierend auf einem Modell, das aufgrund der Tests dann verfeinert werden kann
Möglichst konkret
Passend zu den Daten und anhand derer entscheidbar
Probabilismus und Falsifizierung
Die meisten sozialwissenschaftlichen Theorien sind probabilistisch (Wahrscheinlichkeitsaussagen)
->Komplexität menschlichen Verhaltens: Wir kennen nicht alle Variablen
-> Freiheit menschlichen Handelns: Determinismus unmöglich
Wir können selten deterministische Hypothesen aufstellen bzw. deterministische Ergebnisse erreichen
Falsifizierung schwieriger bei probabilistischen Zusammenhängen
-> Stattdessen: Ergebnisse verändern, wie sehr wir der Hypothese Glauben schenken
Was ist Kausalität?
kausaler Effekt ist dann gegeben, wenn eine Veränderung in einer Variable eine Veränderung in einer anderen Variable herbeiführt.
Variable: Eigenschaft der Welt
Kausaler Effekt natürlich redundant -> Effekt bedeutet Kausalität
Was heißt herbeiführen?
potential outcomes und counterfactuals
Effekt von treatment T auf outcome Y:
𝑌_1𝑖 = outcome for unit i if T = 1, and
𝑌_0𝑖 = outcome for unit i if T = 0.
Treatment effect of T on Y for unit i = 𝑌_1𝑖−𝑌_0𝑖
Treatment-Effekt bezeichnet den durchschnittlichen kausalen Effekt einer binären Variable (z.B. Diät mitCocoa Krispies)
-> Einfacher zu denken als mit kontinuierlichen Variablen (viele Welten!)
-> Kommt aus Medizin (“treatment”)
grundlegendes Problem von causal inference
können einen kausalen Effekt nie direkt beobachten.
Wenn wir 𝑌_1𝑖 beobachten können, können wir 𝑌_0𝑖 nicht beobachten, und vice versa.
Aber wir können für größere Gruppen unter bestimmten Voraussetzungen einen kausalen Effekt schätzen
Zwei Aspekte von kausalen Effekten:
durchschnittliche Effekte
-> helfen Cocoa Krispies generell
individuelle Effekte
->haben Cocoa Krispies einer bestimmten Person geholfen?
Gibt es DIE ursache?
suche nach einer Ursache schwierig
-> oft desshalb: Untersuchen der Effekte von verschiedenen Ursachen
causes of effects <-> effects of causes
-> effects of causes of im Fokus quantitativer Methoden
Treatment-Effekte
Treatment-Effekte (individualebene) treten nicht für alle ein
zb Grippe trotz Grippeimpfung
interessieren uns normalerweise für den durchschnittlichen Treatment-Effekt (Aggregatebene) für größere Gruppen
Möglichkeit der heterogenen Treatment-Effekte -> Gruppen unterscheiden sich im treatment effect
kann Kausalität in Zeit rückwärts verlaufen?
Ja
zb Weihnachtskarten und Weihnachten
Weihnachtskarten zwar vor weihnachten, aber in einer Welt ohne Weihnachten, keine Karten
Nur weil X vor Y passiert, heißt das nicht, dass X Y herbeiführt, und Y kann trotzdem X herbeiführen
Kausalität und Korrelation
Achtung! Korrelation kann positiv sein, aber kausaler Effekt negativ (und umgekehrt)
nicht-experimentelle Designs
von wenig aussagekräftig über Kausalität
-bivariate Analyse im Querschnitt
-multivaraites Design: Kontrolle von Drittvariablen
-quasi-experimentelle Designs (Regression Discontinuity, Synthetic Control Method etc)
-komplexe Zeitreihen- und Panelanalysen
-natürliche Experimente
zu eher aussagekräftig über Kausaliät
bivariate Analyse im Querschnitt
Korrelationen in einer Umfrage
Richtung der Kausalität oft unklar
Möglichkeit von Drittfaktoren
Multivariates Design
-Kontrolle von Drittvariablen
-Ziel: wichtige Unterschiede zwischen Gruppen ausschließen
Z.B. Wohlstand der Eltern, Erasmus und Jobaussichten
-Diese Drittfaktoren müssen bekannt sein und gemessen worden sein
