dag-aequivalenzklasse-schoice

kausalinferenz
paper
Published

July 10, 2026

Question

Das Kapitel zeigt, dass es zu Dons Datenlage (Zusammenhänge zwischen bedrooms, livingArea, price) mehrere unterschiedliche DAGs gibt, die alle dieselben (Un-)Abhängigkeitsimplikationen haben. Was folgt daraus für die Kausalanalyse?

Answerlist

  • Die Daten allein können unter mehreren, empirisch äquivalenten DAGs nicht entscheiden, welcher der “richtige” ist; um den korrekten DAG zu identifizieren, braucht man zusätzliches Fachwissen bzw. einen reichhaltigeren DAG mit mehr Variablen.
  • Wenn mehrere DAGs zu denselben Daten passen, ist automatisch der DAG mit den meisten Pfeilen korrekt.
  • Existieren mehrere passende DAGs, bedeutet das, dass Kausalanalyse in diesem Fall grundsätzlich unmöglich und sinnlos ist.
  • Empirisch äquivalente DAGs unterscheiden sich immer in der Anzahl der beteiligten Variablen.
  • Man kann das Problem lösen, indem man einfach mehr Beobachtungen (eine größere Stichprobe) derselben Variablen sammelt.

Solution

Das Kapitel stellt fest: “Alle diese DAGs […] haben die gleichen Implikationen hinsichtlich der (Un-)Abhängigkeiten zwischen den Variablen. Wir können also leider empirisch nicht bestimmen, welcher der DAGs der richtige ist. Um den richtigen DAG zu identifizieren, bräuchten wir z. B. einen reichhaltigeren DAG, also mit mehr Variablen.” Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option nennt ein im Kapitel nicht erwähntes, willkürliches Auswahlkriterium (“meiste Pfeile”) – die Wahl zwischen empirisch äquivalenten DAGs erfordert inhaltliches Fachwissen, kein rein formales Kriterium wie die Pfeilanzahl.
  • Die dritte Option ist zu pessimistisch: Das Kapitel zeigt gerade, dass Kausalanalyse trotz dieser Einschränkung möglich und sinnvoll ist – man muss nur wissen, dass Daten allein nicht ausreichen, und zusätzliches (Fach-)Wissen einbringen.
  • Die vierte Option ist falsch: Die im Kapitel gezeigten äquivalenten DAGs (?@fig-kms) betreffen genau dieselben Variablen (a, b, p), unterscheiden sich aber in der Richtung mancher Pfeile – nicht in der Anzahl der Variablen.
  • Die fünfte Option ist ein häufiges Missverständnis: Mehr Beobachtungen derselben Variablen helfen hier nicht, da das Problem nicht mangelnde Präzision, sondern eine grundsätzliche Unidentifizierbarkeit aus den vorhandenen Variablen ist – dafür bräuchte man tatsächlich zusätzliche, neue Variablen (einen reichhaltigeren DAG), nicht nur mehr Fälle der bisherigen Variablen.

Aufgabenname: dag-aequivalenzklasse-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: dag-aequivalenzklasse-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: kausalinferenz