Randomisierte kontrollierte Studien (RCTs) und andere sorgfältig konzipierte statistische Experimente sind der Goldstandard zur Beantwortung von Fragen zu Ursache und Wirkung. Durch die zufällige Zuordnung von Versuchspersonen (z. B. Teilnehmern einer klinischen Studie) zu Behandlungs- und Kontrollgruppen wird das Gleichgewicht zwischen den beiden Gruppen hergestellt, um die Wahrscheinlichkeit wesentlicher Unterschiede zwischen ihnen, die nicht durch die Intervention verursacht werden, zu minimieren. In diesem Fall lässt sich ein durchschnittlicher kausaler Effekt einfach anhand der Differenz der mittleren Ergebnisse zwischen den Gruppen schätzen.
Oftmals möchten Forscher jedoch die Wirkung einer Variable auf eine andere untersuchen, können die Teilnehmer aber nicht zufällig bestimmten Interventionsstufen zuordnen (oder nicht). Wie lässt sich die Wirkung einer Exposition auf ein Ergebnis mit Beobachtungs- oder Zufallsdaten statt mit RCT-Daten messen?
Hier kommt die kausale Inferenz ins Spiel. Sie umfasst eine Reihe von Konzepten und Methoden, die helfen zu bestimmen, wann und wie aus Beobachtungsdaten kausale Schlussfolgerungen gezogen werden können. Nehmen wir an, Ihre Forschungsfrage lautet: „Inwieweit senkt eine neue Behandlung den Cholesterinspiegel im Vergleich zur Kontrollgruppe?“ Welche Methoden würden Sie zur Beantwortung dieser Frage verwenden, wenn Ihnen lediglich Beobachtungsdaten zur Verfügung stünden, beispielsweise aus einer Datenbank mit Versicherungsansprüchen?
Sie können einen einfachen linearen Regressionstest oder einen T-Test verwenden, um zu bestimmen, ob sich die Cholesterinwerte der Behandlungs- und Kontrollgruppen signifikant unterscheiden. Es kann jedoch sein, dass Probanden mit fettarmer Ernährung die neue Behandlung seltener anwenden und weniger häufig einen hohen Cholesterinspiegel haben, während Probanden mit fettreicher Ernährung die neue Behandlung häufiger anwenden und höhere Cholesterinwerte aufweisen. Ohne Berücksichtigung der Ernährung könnte man daher zu dem Schluss kommen, dass die neue Behandlung nicht sehr wirksam ist. Störfaktoren wie die Ernährung führen oft zu Scheinkorrelationen, sodass diese einfachen Analysen leicht zu stark verzerrten Ergebnissen führen können, die letztlich die Kausalfrage nicht beantworten.
Stattdessen müssen Sie kausale Schlussfolgerungen ziehen. Mit anderen Worten: Sie benötigen zusätzliche Annahmen, die es Ihnen ermöglichen, Funktionen Ihrer Daten in kausale Schätzungen umzuwandeln. Die folgenden drei Annahmen sind in der Regel ausreichend, um kausale Schlussfolgerungen zu ziehen:
- Positivität: Jede Beobachtung hat eine positive Wahrscheinlichkeit, jede Behandlungsstufe zu erhalten.
- Konsistenz: Jeder, der die gleiche Behandlung erhielt, erlebte die gleiche Version davon.
- Bedingte Austauschbarkeit: Alle Variablen, die die Beziehung zwischen der Behandlung und dem Ergebnis beeinträchtigen, werden gemessen, d. h. die Gruppen sind angesichts der Störfaktoren „austauschbar“.
Wenn diese Annahmen erfüllt sind, können kausale Effekte anhand von Beobachtungsdaten geschätzt werden. Schätzmethoden nutzen Informationen über Störfaktoren, um die verschiedenen Gruppen auszugleichen, wie dies bei einer randomisierten kontrollierten Studie nach der Datenerhebung der Fall wäre. Weitere Informationen zu kausalen Annahmen und Schätzmethoden finden Sie in „What If“ , einer hervorragenden, kostenlosen Ressource (Hernán & Robins, 2020).
Um kausale Effekte mit Beobachtungsdaten in JMP abzuschätzen, verwenden Sie die neue Persönlichkeit „Kausale Behandlung“. Beachten Sie den folgenden Arbeitsablauf für eine sorgfältige Kausalanalyse:
Figure 1. An example DAG from Dong et al. (2025).Abbildung 1. Ein Beispiel-DAG von Dong et al. (2025).
1. Zeichnen Sie einen gerichteten azyklischen Graphen (DAG), der den Datengenerierungsprozess darstellt.
Ein DAG verfügt über gerichtete Pfeile, die zeigen, welche Variablen Ursachen und welche Wirkungen sind. Ein DAG ist azyklisch, d. h., wenn Sie den Pfeilen richtungsweisend folgen, kehren Sie nie zur Ausgangsvariable zurück. Das Zeichnen eines DAG hilft Ihnen, Ihre Variablen zu kategorisieren und Störfaktoren zu identifizieren..
2. Überlegen Sie, ob die drei Annahmen erfüllt sind.
Gibt es ein Kovariatenprofil, das in der behandelten Gruppe nie auftritt? Haben Sie Ihre Behandlung gut definiert? Sind Ihnen Störfaktoren bekannt, die nicht gemessen wurden?
3. Wählen Sie einen Schätzer.
Die Persönlichkeit der kausalen Behandlung bietet verschiedene Möglichkeiten zur Schätzung kausaler Effekte, abhängig von der Art der Behandlungsvariablen und den vom Benutzer angegebenen Modellen.
4. Interpretieren Sie die Ergebnisse.
Wenn die drei kausalen Annahmen erfüllt sind, kann der durchschnittliche Behandlungseffekt als der mittlere Unterschied in den Ergebnissen interpretiert werden, wenn die gesamte Bevölkerung eine Intervention statt einer anderen erhalten hätte.
Zusätzlich zur Anpassungsmodell-Kausalbehandlungspersönlichkeit bietet JMP Plattformen wie Strukturgleichungsmodelle und XGBoost, die zur Schätzung kausaler Effekte verwendet werden können (Dong et al., 2025). Die Kausalbehandlungspersönlichkeit ist ein einfacher Ausgangspunkt für die Schätzung kausaler Effekte aus Daten, unabhängig von Ihrem Erfahrungsniveau. Sie gibt direkt einige der gängigsten und robustesten Kausalschätzungen aus und bietet Visualisierungen zur Bewertung kausaler Annahmen.
Dieser Blog wurde gemeinsam mit Safiya Sirota ( @safiya_jmp ) verfasst, die während ihres Praktikums bei JMP zu dieser Arbeit beigetragen hat.
Verweise
Dong M, Castro-Schilo L, Wolfinger R (2025). Kausale Inferenz für Beobachtungsdaten in JMP Pro mithilfe von Strukturgleichungsmodellen, Propensity Scoring und maschinellem Lernen . [Manuskript in Vorbereitung].
Hernán MA, Robins JM (2020). Kausale Inferenz: Was wäre wenn . Boca Raton: Chapman & Hall/CRC
