Kausale Zusammenhänge Verstehen

Kausale Zusammenhänge Verstehen

• Ziele der kausalen Analyse:

  • Identifizieren von Ursachen und Wirkungen in der Wirklichkeit
  • Kontrolle über abhängige Variablen erlangen
  • Einen epistemischen Grund für die Richtigkeit eines empirischen Sachverhalts liefern

• Definition von Ursachen:

  • Ursachen sind notwendige Bedingungen für das Auftreten eines Ereignisses (Y). Eine bestimmte Ausprägung von Y kann nur dann vorliegen, wenn auch eine bestimmte Ausprägung von X vorhanden ist.
  • Beispiel: Ein Lichtschalter ist eine notwendige Bedingung für das Leuchten einer Lampe.

• Kausalität als epistemischen Grund:

  • Die kausale Beziehung garantiert die Wahrheitsübertragung von beobachteten Zusammenhängen auf unbeobachtete Untersuchungseinheiten (ceteris paribus).
  • Nicht-kausale Zusammenhänge (Korrelationen) bieten keine Garantie für die Wahrheitsübertragung und sind weniger zuverlässige epistemische Gründe.
  • Kausale Zusammenhänge sind daher der zuverlässigste Weg, um ein empirisches Ergebnis zu rechtfertigen.

Kausale Diagramme (DAGs)

• Darstellung von kausalen Zusammenhängen: Directed Acyclic Graphs (DAGs) dienen dazu, Kausalbeziehungen als Pfaddiagramme zwischen Variablen darzustellen.
  • Pfeile zeigen die Richtung der Kausalität an.
  • Fehlende Pfeile implizieren die Abwesenheit von Kausalität.

Kausalketten und Mediatoren

• Transitivität der Kausalität: Wenn X eine Ursache für M ist und M eine Ursache für Y, dann ist X auch eine Ursache für Y.
• Mediator: Eine Variable (M), die als Zwischenstufe in einer Kausalkette fungiert.
• Kausalkette: Die Gesamtheit aller Pfade von der unabhängigen Variable (X) zur abhängigen Variable (Y).

Aggregationsebenen

• Aggregation von Pfaden: Die Analyseebene kann durch Zusammenfassung mehrerer Pfade zu einer höheren Ebene verändert werden.
• Differenzierung von Pfaden: Die Analyseebene kann durch Erweiterung des Modells mit weiteren Variablen und Pfaden differenzierter dargestellt werden.

Exogenität und Endogenität

• Endogene Variable: Eine Variable (X), deren Wert durch eine weitere Variable (Z) beeinflusst wird, die auch mit der abhängigen Variable (Y) korreliert, wird als endogen bezeichnet.

  • Konfunde liegt vor, wenn Z den kausalen Pfad von X zu Y beeinflusst und selbst von X kausal verursacht wird.

• Exogene Variable: Eine Variable (X), deren Wert nicht durch eine weitere Variable (Z) beeinflusst wird oder deren Einfluss auf Z nicht den kausalen Pfad von X zu Y beeinflusst, wird als exogen bezeichnet.

Wichtige Punkte

• Prediction vs. Erklärung: Kausale Zusammenhänge sind zuverlässige epistemische Gründe für Vorhersagen, aber nicht unbedingt die wichtigsten.
• Angemessener Zoom: Es ist wichtig, die angemessene Ebene der Kausalität zu wählen, weder zu detailliert noch zu oberflächlich.
• Endogenität und Konfundierung: Endogene Variablen und Konfunde beeinflussen kausale Zusammenhänge und müssen in der Analyse berücksichtigt werden.