Was sind die empirischen Techniken, um Kausalität aufzuzeigen?

Eine einfache lineare Regression zeigt nur die Korrelation zwischen zwei Variablen. Zwei häufig gelehrte Methoden zur Feststellung der Kausalität sind die intravenöse Regression und natürliche Experimente. Was sind die anderen Methoden, mit denen Menschen die Ursache feststellen?

Natürliche Experimente sind in der Regel eher eine Einstellung für kausale Inferenz als ein Werkzeug für kausale Inferenz an sich. Oft müssen Sie sowieso so etwas wie Differenz-in-Differenz oder instrumentelle Variablen verwenden, selbst wenn Sie ein natürliches Experiment haben.

Hier eine Liste statistischer kausaler Inferenzansätze (Ansatz: Lay-Beschreibung)

• Instrumentelle Variablen : Die zufällig zugewiesene Variable X beeinflusst Z nur durch Y
• Unterschiedliche Unterschiede : Wenn zwei Gruppen einen gemeinsamen Trend aufweisen und nur eine Gruppe behandelt wird, ist die Änderung des Unterschieds zwischen den Gruppen der Behandlungseffekt
• Regressionsdiskontinuität : Wenn eine harte Schwelle die Behandlung bestimmt, betrachten Sie die Differenz direkt um diese Schwelle
• Übereinstimmende Neigungsbewertung : Erstellen Sie eine Kontrollgruppe, indem Sie unbehandelte Beobachtungen, die wahrscheinlich behandelt wurden (aber tatsächlich nicht behandelt wurden), mit behandelten Beobachtungen mit einer ähnlichen Behandlungswahrscheinlichkeit abgleichen.
• Manhalobis-Distanzabgleich : Erstellen Sie eine Kontrollgruppe, indem Sie unbehandelte Beobachtungen abgleichen, die den behandelten ähnlich sehen. Ein weiteres bemerkenswertes Entfernungsmaß ist Coarsened Exact Matching .
• Synthetische Kontrolle : Wenn Sie nur eine behandelte Beobachtung haben, erstellen Sie eine Zusammenstellung von unbehandelten Beobachtungen, die einzeln unvollständige Kontrollen darstellen, aber gemeinsam als gute Kontrolle dienen.
• Synthetische Kohorten - Behandeln Sie wiederholte Beobachtungen von Gruppen wie ein Panel von Einzelpersonen und wenden Sie Panel-Techniken an.
• Auswahlverzerrungsmodellierung wie Heckman-Korrektur : Nehmen Sie eine parametrische Form für die Auswahlverzerrung an und entfernen Sie sie, damit die korrigierten Regressionsergebnisse kausal interpretiert werden können.
• Allgemeinere Gewichtung der Stichproben - Beheben Sie die Verzerrung durch endogene Beteiligung und nicht modellierte Heterogenität, indem Sie die Stichprobeneinheiten so gewichten, dass sie der tatsächlichen Grundgesamtheit von Interesse ähneln.

Differenz in Differenz ist wahrscheinlich die beliebteste Methode in der Ökonometrie (obwohl Bootstraping erforderlich ist, dh das Korrigieren der Daten aus der Selbstkorrelation). Es vergleicht grundsätzlich die Entwicklung zweier Gruppen von einem Punkt, an dem keiner dem gegebenen Faktor unterliegt, bis zu einem Punkt, an dem einer von ihnen dem Faktor unterliegt. Ein bekanntes Beispiel ist Card and Kruegers Anwendung der Methode, um die Auswirkungen eines Mindestlohns zu untersuchen.

Das Regressionsdiskontinuitätsdesign ist ebenso wie der Unterschied in den Unterschieden eine Methode zur Nutzung natürlicher Experimente. Es baut auf willkürlichen Regeln auf, die ansonsten ähnlichen Einheiten unterschiedliche "Behandlungen" geben.

Ein Beispiel aus Wikipedia:

Wenn alle Schüler über einer bestimmten Note - zum Beispiel 80% - das Stipendium erhalten, ist es möglich, den lokalen Behandlungseffekt durch Vergleichen der Schüler um die 80% -Grenze zu ermitteln: Die Intuition hier ist, dass ein Schüler mit 79% wahrscheinlich ist Um einem Schüler mit 81% sehr ähnlich zu sein, wird der vordefinierte Schwellenwert von 80% angegeben. Ein Schüler erhält jedoch das Stipendium, der andere nicht. Der Vergleich des Ergebnisses des Empfängers (Behandlungsgruppe) mit dem kontrafaktischen Ergebnis des Nichtempfängers (Kontrollgruppe) liefert daher den lokalen Behandlungseffekt.

Um dem Kommentar von @EnergyNumbers zu folgen, ergibt sich die Kausalität aus Ihrer Theorie .

Ein wesentlicher Unterschied ist folgender: Die Mathematik in einer der Methoden in @ BKays Antwort ist so ausgelegt, dass am Ende des Vorgangs Zahlen ausgespuckt werden. Stellen Sie sich zum Beispiel einen Diff-in-Diff vor, bei dem Ihre Behandlung so dumm ist, als würde sie von einem Hund ins Gesicht geleckt. Sie können immer ein Diff-in-Diff einrichten, um zu sehen, ob Menschen zu Astronauten werden, wenn sie von Hunden ins Gesicht geleckt werden.

Abseits der Dummheit kann es sehr hilfreich sein, von Grund auf über Kausalität nachzudenken - auch wenn Sie sich für ein Verfahren entscheiden. Wirtschaftsseminare drehen sich häufig um die Tragfähigkeit der Theorie und die Gültigkeit der Annahmen.