Kausale Inferenz
Definition
Kausale Inferenz untersucht, ob und wie eine Veränderung einer Ursache ein Ergebnis verändert – nicht nur, ob beide zusammen auftreten.
Sie nutzt Experimente oder explizite Annahmen und Modelle, um Gegenfaktisches zu schätzen: Was wäre unter einer anderen Intervention passiert? Beobachtungsdaten allein benötigen dafür zusätzliche Identifikationsannahmen.
Einfach erklärt
Wie nicht nur zu sehen, dass zwei Dinge gemeinsam auftreten, sondern zu fragen, was sich ändern würde, wenn wir eines gezielt verändern.
Warum das im Alltag wichtig ist
Relevant für Wirkungsnachweise, Marketing, Prozessverbesserung und Entscheidungen, bei denen Korrelation nicht genügt.
Beispiel aus dem Mittelstand
Ein Unternehmen testet, ob eine neue Prozessregel tatsächlich Durchlaufzeit senkt, statt nur festzustellen, dass schnelle Teams sie häufiger nutzen.
Grenzen und Fallstricke
- Korrelation als Kausalität ausgeben; Confounder ignorieren; nachträglich passende Modelle wählen; Identifikationsannahmen nicht dokumentieren.
Entstehung & Geschichte
Moderne kausale Inferenz verbindet Statistik, Ökonometrie und grafische Kausalmodelle. Judea Pearl prägte die formale Arbeit mit strukturellen Kausalmodellen und Interventionen wesentlich.
Anwendung im Mittelstand
- Mögliche Anwendung: Die zusätzliche Wirkung von Marketingmaßnahmen, Prozessänderungen oder Regeln untersuchen, statt allein zeitgleiche Veränderungen zu vergleichen.
Häufige Fragen
Braucht Kausalität immer ein Experiment?
Randomisierung ist stark, aber unter begründeten Annahmen sind auch Beobachtungsdesigns möglich. Ist Korrelation wertlos? Nein, aber sie identifiziert Ursache nicht allein.
Quellen
- Glymour & Jewell, Causal Inference in Statistics: A Primer · Pearl, Glymour & Jewell, Causal Inference in Statistics: A Primer
- Causal Inference in Statistics: An Overview · Pearl (2009), Causal Inference in Statistics: An Overview
- Autorenkopie · Pearl (2009), Autorenkopie
Quellenprüfung: 10./11.10.2026.
Redaktionell geprüft am: