N <- rnorm(100, mean = 0, sd = 1) # 100 normalverteilte z-Werte
e1 <- rnorm(100) # das gleiche wie oben: normalverteilte z-Werte
e2 <- rnorm(100) # das gleiche wie oben: normalverteilte z-Werte
S <- N + e1 # S wird determiniert durch N und e
B <- N + e2 # B wird determiniert druch N und ekausal-simu1
Question
Denken wir uns ein kausales System mit einer Ursache und einer Wirkung, etwa der Einfluss der Naturbelassenheit (\(N\)) eines Landkreises auf die Anzahl der Störche (\(S\)) dort (ein positiver Einfluss). Nehmen wir weiter an, die Naturbelassenenheit eines Landkreises hat einen (positiven) Einfluss auf die Anzahl Neugeborener (Babies, \(B\)).
Weitere kausale Einflüsse existieren in diesem kausalen System nicht (es handelt sich ja hier umn ein Gedankenexperiment, wir können frei bestimmen!).
Die Frage ist nun, ob wir erwarten müssen, dass Störche und Babies zusammenhängen in diesem System, dass es also dort, wo es viele Störche gibt auch viele Babies gibt. Das wäre deswegen beachtlich, weil wir in unserem System explizit keinen (kausalen) Zusammenhang zwischen diesen beiden Größen definiert haben.
Um die Sache etwas greifbarer zu machen, erstellen wir uns Daten, die zu diesem System passen. Sagen wir, wir haben 100 Landkreise, die in der Zahl der Störche und Babies und Naturbelassenheit variieren. Der Einfachheit halber seien alle Werte in \(z\)-Werten ausgedrückt. Gehen wir weiter (der Einfachheit halber) davon aus, alle Größen sind normalverteilt. Solche Werte kann man mit der R-Funktion rnorm() erzeugen.
Schließlich gehen wir noch davon aus, dass die Einflüsse linear sind und nicht perfekt. Der Zufall (zufälliger “Fehler”, \(e\)) soll also auch einen Einfluss auf die Größen haben.
Testen wir unsere simulierten Daten mit einer einfachen Regression, der Frage, ob die Anzahl der Störche (S) von der Natürlichkeit (N) abhängt:
lm1 <- lm(S ~ N)
summary(lm1)
Call:
lm(formula = S ~ N)
Residuals:
Min 1Q Median 3Q Max
-2.85982 -0.66621 -0.06192 0.64130 2.41399
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.08052 0.10217 -0.788 0.433
N 0.93819 0.09941 9.438 2.01e-15 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.017 on 98 degrees of freedom
Multiple R-squared: 0.4761, Adjusted R-squared: 0.4708
F-statistic: 89.07 on 1 and 98 DF, p-value: 2.01e-15
Unser Modell lm1 bringt unsere Annahmen deutlich zum Vorschein.
- Bestimmen Sie den Zusammenhang (\(\beta\) oder \(\rho\)) zwischen Störchen und Babies!
- Erklären Sie den Befund!
Solution
- Es findet sich ein nicht-kausaler, also ein Scheinzusammenhang zwischen Störchen und Babies:
lm(B ~ S)
Call:
lm(formula = B ~ S)
Coefficients:
(Intercept) S
0.02379 0.62707
cor(S, B)[1] 0.5936712
- Haben zwei Variablen eine gemeinsame Ursache, so sind sie durch eine Scheinkorrelation verbunden.

dconnected bedeutet, dass zwei Variablen verbunden (connected) sind, sie also voneinander (statistisch) abhängig (assoziiert) sind, z.B. korreliert. Das d steht für directed also über gerichtete Kanten, die Kausalpfeile, verbunden. Dabei ist zu beachten, dass die Assoziation in beide Richtungen des Kausalpfeils “fließen” kann; auch gegen “den Strom” (also von der Pfeilstütze anfangend rückwärts).
Aufgabenname: kausal-simu1
Meta-information
extype: string exsolution: NA exname: kausal-simu1 expoints: 1 tags: - causal - dag