Nachdem wir gezeigt haben, dass zwei Größen korreliert sind, wie schließen wir daraus, dass die Beziehung kausal ist? Und außerdem was verursacht was? Theoretisch kann man nun eine "zufällige Zuordnung" (was auch immer das richtige Wort ist) verwenden, um eventuelle Unfallbindungen zwischen zwei Variablen aufzubrechen. In einigen Fällen ist dies jedoch nicht möglich. Überlegen Sie beispielsweise, wie oft eine Person raucht, gemessen in Zigaretten pro Woche, im Vergleich zur Lebenserwartung, gemessen in Jahren. Wir können zufällig zwei Gruppen von Menschen auswählen. Lassen Sie eine Gruppe rauchen und die andere nicht. Da die Zuordnung zufällig ist, sollte dies alle anderen Beziehungen zwischen ihnen unterbrechen. Dies ist aber natürlich aus vielen verschiedenen Gründen nicht möglich. Welche Techniken können verwendet werden?
quelle
Antworten:
Ich denke, das ist eine sehr gute Frage. Ich stoße oft auf dieses Problem und denke viel darüber nach. Ich forsche in der Medizin und die Vorstellung in der Medizin ist, dass nichts als kausal erwiesen ist, niemals, niemals, niemals, bis eine randomisierte klinisch kontrollierte Studie, vorzugsweise mit einer Pille (oder einer anderen Exposition, die dreifach verblindet sein kann), bewiesen hat eine Auswirkung auf die Reaktion von Interesse. Dies ist ziemlich traurig, da alle anderen Studien als Assoziationsstudien betrachtet werden, die dazu neigen, ihre Auswirkungen zu verringern.
Hill und Richard Doll haben darüber nachgedacht. Ersteres formulierte Hill's Kriterien für die Kausalität:
Dies wurde vor etwa 50 Jahren vor dem Aufkommen randomisierter Studien formuliert (die für Ihr Fachgebiet möglicherweise nicht von Interesse sind). Es ist jedoch bemerkenswert, dass Experimente bei den Hill-Kriterien keine entscheidende Rolle spielten.
Ich würde gerne glauben, dass Beobachtungsdaten, wenn sie mit geeigneten statistischen Methoden analysiert werden, Rückschlüsse auf die Kausalität zulassen. (Dies hängt natürlich von vielen Faktoren ab.) In meinem Bereich ist es jedoch selten, dass bei einer Änderung des Patientenmanagements Richtlinien angezeigt werden, die von anderen als randomisierten Studien geprägt sind, und der Auftakt zu Richtlinien unterstreicht häufig, dass eine bestimmte Kausalität nur möglich ist in randomisierten Studien erhalten.
Jetzt weiß ich, dass viele von Ihnen mir nicht zustimmen werden. Ich stimme mir auch nicht zu. Aber es könnte zu einer Diskussion beitragen.
quelle
Die Statistik bietet Tools zum Erkennen und Modellieren von Regelmäßigkeiten in den Daten. Der Modellierungsprozess wird in der Regel vom Fachwissen geleitet. Wenn das Modell den Subjektmechanismus darstellt, zeigen statistische Eigenschaften des geschätzten Modells, ob die Daten mit dem modellierten Mechanismus nicht übereinstimmen. Dann wird auf Kausalität (oder deren Fehlen) geschlossen - und dies geschieht auf der Themendomäne .
quelle
Die Frage geht derzeit davon aus, dass die Größen korreliert sind, was impliziert, dass die Person, die die Korrelation bestimmt, guten Grund zu der Annahme haben muss, dass die Variablen eine lineare Beziehung haben.
Die Granger-Kausalität ist möglicherweise das beste Instrument zur Bestimmung linearer Kausalzusammenhänge. Granger war ein Ökonom, der für seine Arbeit über lineare Verursachung einen Nobelpreis erhielt.
Dies ist nur eine grobe Skizze, und ich glaube, dass viele Autoren diese Idee verbessert haben.
quelle
Sie können nicht - zumindest nicht innerhalb der Statistik.
Maxim: Man kann nie sicher wissen, dass der Effekt einer Variablen von einer anderen verursacht wird. Der Grund: Sie können nie wissen, ob es keine andere Variable gibt, die Sie nicht kennen, und die von Ihnen gesammelten Daten können es Ihnen unmöglich sagen.
Tatsache ist, dass die Datenerfassung nicht immer ausreicht, wenn Daten statisch sind und das Phänomen dynamisch ist - wie menschliches Verhalten. Dort kann die Datenerfassung selbst die Ergebnisse verzerren, genau wie in der Teilchenphysik die Tatsache der Beobachtung selbst nicht aus der Gleichung entfernt werden kann.
quelle