koeffizienten-kausal-ohne-fundierung-schoice

bayes
paper
Published

July 10, 2026

Question

Ein weiterer im Kapitel genannter “Lieblingsfehler” lautet: “Regressionskoeffizienten kausal interpretieren, wenn es keine kausale Fundierung gibt”. Was genau ist mit “kausaler Fundierung” hier gemeint, und wann ist eine kausale Interpretation eines Regressionskoeffizienten gerechtfertigt?

Answerlist

  • Eine kausale Interpretation ist nur gerechtfertigt, wenn entweder ein sauber begründetes Kausalmodell (DAG) vorliegt, das die relevanten Konfundierer korrekt berücksichtigt, oder wenn die Daten aus einem gut durchgeführten (randomisierten) Experiment stammen.
  • Ein Regressionskoeffizient darf immer kausal interpretiert werden, sobald er statistisch (mit hoher Wahrscheinlichkeit) von Null verschieden ist.
  • Eine kausale Interpretation ist immer dann gerechtfertigt, wenn möglichst viele Kontrollvariablen ins Modell aufgenommen wurden.
  • Kausale Fundierung bedeutet, dass die Stichprobe besonders groß sein muss (\(n>1000\)).
  • Ein Regressionskoeffizient ist automatisch kausal interpretierbar, sobald das zugehörige Modell einen hohen \(R^2\)-Wert aufweist.

Solution

Wie in den vorherigen Kapiteln zur Kausalinferenz ausführlich behandelt: Ein Regressionskoeffizient darf nur dann kausal interpretiert werden, wenn man entweder ein korrektes Kausalmodell (DAG) kennt, das anzeigt, welche Variablen kontrolliert werden müssen (und welche nicht), oder wenn die Daten durch ein handwerklich gutes, randomisiertes Experiment gewonnen wurden, das Konfundierung von vornherein ausschließt. Ohne eines von beidem bleibt ein Regressionskoeffizient zunächst nur ein statistischer (assoziativer) Befund. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option verwechselt statistische Signifikanz (bzw. eine hohe Post-Wahrscheinlichkeit ungleich Null) mit kausaler Fundierung – ein Effekt kann statistisch robust von Null verschieden und dennoch eine reine Scheinkorrelation sein (z. B. durch Konfundierung), wie die Kapitel zur Kausalinferenz ausführlich zeigen.
  • Die dritte Option widerspricht dem in den Kausalitäts-Kapiteln vermittelten Wissen direkt: Das “wilde” Aufnehmen möglichst vieler Prädiktoren kann genauso schaden wie nützen (z. B. durch Kontrolle von Kollisionsvariablen oder Mediatoren) – nur die richtigen Kontrollvariablen (laut korrektem DAG) sollten aufgenommen werden.
  • Die vierte Option nennt ein sachlich unbegründetes Kriterium: Eine große Stichprobe reduziert die Ungewissheit der Schätzung, sagt aber nichts darüber aus, ob der geschätzte Zusammenhang auch kausal ist – eine Scheinkorrelation bleibt auch bei riesigen Stichproben eine Scheinkorrelation.
  • Die fünfte Option verwechselt Modellgüte (Vorhersagegenauigkeit, \(R^2\)) mit kausaler Interpretierbarkeit – ein Modell kann sehr gut vorhersagen und trotzdem keine kausalen Aussagen erlauben (rein deskriptive/prognostische Zielrichtung).

Aufgabenname: koeffizienten-kausal-ohne-fundierung-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: koeffizienten-kausal-ohne-fundierung-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes