simpson-paradox-schoice

kausalinferenz
paper
Published

July 10, 2026

Question

Die Studien A (Östrogen/Geschlecht) und B (Blutdruck) aus dem Kapitel weisen in den Gesamtdaten exakt dieselben Zahlen auf (273/350 vs. 289/350 Geheilte), führen aber je nach zugrundeliegendem Kausalmodell zu entgegengesetzten Handlungsempfehlungen: Bei Studie A ist das Stratifizieren (Aufteilen nach Geschlecht) der richtige Weg, bei Studie B ist das Stratifizieren (Aufteilen nach Blutdruck) hingegen falsch. Was ist die zentrale Lehre aus diesem Vergleich?

Answerlist

  • Ob man Gesamtdaten oder nach einer Drittvariable aufgeteilte (stratifizierte) Daten für die kausale Interpretation heranziehen sollte, hängt vom zugrundeliegenden Kausalmodell ab – aus den Daten allein ist das nicht entscheidbar.
  • Man sollte grundsätzlich immer stratifizieren, unabhängig vom Kausalmodell, da Teildaten stets genauer sind als Gesamtdaten.
  • Man sollte grundsätzlich nie stratifizieren, da die Gesamtdaten immer den wahren kausalen Effekt korrekt wiedergeben.
  • Da die Zahlen in beiden Studien identisch sind, muss auch die kausale Empfehlung (Stratifizieren ja/nein) in beiden Fällen identisch sein.
  • Welche Empfehlung richtig ist, lässt sich allein anhand der Tabellenwerte (ohne Kenntnis des Kausalmodells) statistisch entscheiden.

Solution

Die zentrale Pointe des Vergleichs von Studie A und Studie B ist, dass identische Daten je nach Kausalmodell (DAG) zu unterschiedlichen, teils gegensätzlichen Handlungsempfehlungen führen: In Studie A ist Geschlecht ein Confounder (beeinflusst sowohl Medikamenteneinnahme als auch Heilung direkt), weshalb Stratifizieren nach Geschlecht die konfundierte Verzerrung auflöst und zum richtigen Schluss führt. In Studie B ist Blutdruck dagegen ein Mediator auf einem der beiden Wirkungspfade des Medikaments; hier würde Stratifizieren nach Blutdruck einen Teil des wahren (heilsamen) Effekts verdecken. Die Daten allein (die Zahlen in der Tabelle) reichen nicht aus, um zu entscheiden, welches Vorgehen richtig ist – dafür braucht man zusätzliches, aus der Datenanalyse selbst nicht ableitbares Wissen über die kausale Struktur. Das entspricht der ersten Antwortoption.

Warum die Distraktoren falsch sind:

  • Die zweite Option (“immer stratifizieren”) widerspricht direkt dem Beispiel von Studie B, wo Stratifizieren zu einer falschen Schlussfolgerung (nur der toxische Effekt sichtbar) führt.
  • Die dritte Option (“nie stratifizieren”) widerspricht direkt dem Beispiel von Studie A, wo gerade das Stratifizieren nach Geschlecht den korrekten Schluss ermöglicht.
  • Die vierte Option ist die zentrale Fehlvorstellung, die das Beispiel widerlegen soll: Obwohl die Zahlen identisch sind, ist die richtige Empfehlung wegen der unterschiedlichen Kausalmodelle nicht identisch.
  • Die fünfte Option ignoriert die Kernaussage des Kapitels, dass Datenanalyse allein für Kausalschlüsse nicht ausreicht – man benötigt zusätzlich ein Kausalmodell (Theorie), um zwischen Stratifizieren und Nicht-Stratifizieren zu entscheiden.

Aufgabenname: simpson-paradox-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: simpson-paradox-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: kausalinferenz