Einfach erklärt
Kausalität heißt: Ursache führt zu Wirkung. Wenn wir eine Ursache ändern, ändert sich die Wirkung.
Warum wichtig? Mit Kausalität können wir vorhersagen, was passiert, wenn wir eingreifen – nicht nur Muster beschreiben.
Ganz einfache Beispiele:
• Schalter und Licht: Schalter umlegen → Licht geht an. (Eingriff: Wir ändern den Schalter.)
• Medizin: Eine Tablette verursacht weniger Schmerzen – nicht nur „tritt oft gemeinsam auf“.
• Werbung & Verkäufe: Mehr Werbe‑Budget macht mehr Verkäufe – nicht bloß „hängt zusammen“.
Wichtig: Zusammenhang (Korrelation) ist nicht automatisch Ursache. Vielleicht wirkt ein dritter Faktor im Hintergrund (z. B. Jahreszeit).
Professionelle Definition
Kausalität beschreibt gerichtete Abhängigkeiten, die Aussagen über Interventionen und Gegenfakten erlauben. Formale Rahmenwerke:
• Strukturelle kausale Modelle (SKM/SCM, Pearl): Variablen (X_i) entstehen durch kausale Gleichungen mit exogenen Störgrößen; Eingriffe (\mathrm{do}(X{=}x)) ersetzen Gleichungen. Backdoor-/Frontdoor‑Kriterien, do‑Kalkül sichern Identifizierbarkeit.
• Potenzielle Ergebnisse (Rubin‑Modell): Jede Einheit hat Potenzialwerte (Y(1), Y(0)); der kausale Effekt ist ein Vergleich wie ATE = (\mathbb{E}[Y(1)-Y(0)]). Ignorierbarkeit, Overlap und SUTVA sind Kernannahmen.
Kausales Lernen (Causal ML):
• Schätzung kausaler Effekte aus Beobachtungs‑/Experimentdaten: Matching, Propensity‑Scores, Inverse‑Gewichtung, Doubly‑Robust, Instrumentvariablen, Differenz‑von‑Differenzen, Regression‑Diskontinuität.
• Kausale Strukturerkennung (Discovery): DAG‑Lernen mit Unabhängigkeitstests, Score‑basierte Verfahren (z. B. GES), Additive Noise Models, Invarianten‑basierte Methoden.
• Kausale Repräsentationen & Invarianz: Lernen von Merkmalen, die unter Interventionen stabil bleiben; Transfer/Generalisation verbessern.
Zentrale Annahmen & Stolpersteine: No unmeasured confounding, korrekte Modellstruktur, Positivität/Overlap, Messfehler, Selektionsverzerrung, Zeiteffekte.
Quellen
• Pearl (2009, 2nd ed. 2009/2013) – Causality: Models, Reasoning and Inference (SCM, do‑Kalkül, Backdoor/Frontdoor)
https://bayes.cs.ucla.edu/BOOK-2K/
• Hernán & Robins (2020) – Causal Inference: What If (freies Buch, Potenzial‑Ergebnisse, praktische Verfahren)
https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
• Peters, Janzing, Schölkopf (2017) – Elements of Causal Inference (Graphen, Invarianz, Discovery)
https://mitpress.mit.edu/9780262037310/elements-of-causal-inference/
https://webdav.tuebingen.mpg.de/causality/elements.html
• Spirtes, Glymour, Scheines (2000/2001) – Causation, Prediction, and Search (DAGs, Discovery‑Algorithmen)
https://www.phil.cmu.edu/projects/causality/
https://link.springer.com/book/10.1007/978-1-4612-2748-9
• Schölkopf et al. (2021) – Toward Causal Representation Learning (Übersicht, Repräsentations‑Kausalität)
https://arxiv.org/abs/2102.11107