📈 economics

Testing the identification of causal effects in observational data

Dieser Artikel schlägt einen auf maschinellem Lernen basierenden Test für eine Bedingung der bedingten Unabhängigkeit vor, die bei Erfüllung gleichzeitig ein instrumentelles Variable validiert und die Unverfälschtheit von Behandlungseffekten in Beobachtungsdaten bestätigt, wobei seine Anwendung auf die Untersuchung des Einflusses der Fertilität auf das Arbeitsangebot von Frauen demonstriert wird, wobei der Test darauf hindeutet, dass das Instrument ungültig ist.

Ursprüngliche Autoren: Martin Huber, Jannis Kueck

Veröffentlicht 2026-05-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Martin Huber, Jannis Kueck

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden soll, ob eine bestimmte Handlung (nennen wir sie Behandlung) tatsächlich ein bestimmtes Ergebnis (das Ergebnis) verursacht. Zum Beispiel: Führt die Einnahme eines neuen Vitamins (Behandlung) tatsächlich dazu, dass Sie schneller laufen (Ergebnis)?

In einer perfekten Welt würden Sie ein kontrolliertes Experiment durchführen: Sie würden eine Münze werfen, um zu entscheiden, wer das Vitamin erhält und wer nicht. Doch in der realen Welt haben wir oft nur beobachtende Daten – wir beobachten einfach, was Menschen von sich aus tun. Das Problem ist, dass Menschen, die sich dafür entscheiden, Vitamine einzunehmen, möglicherweise ohnehin gesünder oder disziplinierter sind als diejenigen, die es nicht tun. Dies macht es schwer zu unterscheiden, ob das Vitamin die Geschwindigkeit verursacht hat oder ob die natürliche Disziplin der Person dafür verantwortlich ist.

Normalerweise müssen Statistiker annehmen, dass sie alle anderen Faktoren (wie Ernährung, Schlaf und Alter), die die Ergebnisse verfälschen könnten, berücksichtigt haben. Sie sagen: „Wir gehen davon aus, dass die Behandlung, sobald wir diese Dinge kontrollieren, so gut wie zufällig ist." Doch bisher gab es keine Möglichkeit, diese Annahme tatsächlich zu prüfen.

Das neue Werkzeug des Detektivs: Das „vermutete Instrument"

Dieser Beitrag stellt einen cleveren neuen Weg vor, um diese Annahme zu testen. Die Autoren schlagen die Verwendung einer dritten Variable vor, die sie als „vermutetes Instrument" bezeichnen.

Stellen Sie sich das vermutete Instrument wie eine Wetterfahne vor, die auf die Behandlung zeigt, aber das Ergebnis nicht direkt beeinflussen sollte.

Der Aufbau: Stellen Sie sich vor, Sie möchten wissen, ob das Frühstück essen (Behandlung) die Testergebnisse (Ergebnis) verbessert.
Das vermutete Instrument: Sie vermuten, dass die Ankunftszeit des Schulbusses (Instrument) bestimmt, ob ein Kind frühstückt (es könnte es auslassen, wenn der Bus zu spät kommt).
Die Logik: Die Busankunftszeit sollte ein Kind nicht direkt schlauer oder dümmer machen. Sie beeinflusst das Testergebnis nur über die Frage, ob das Kind gefrühstückt hat.

Der große Test: Der „Bedingte Unabhängigkeits"-Check

Die Autoren entdeckten eine mathematische Regel, die als Lackmustest fungiert. Sie sagen:

„Wenn wir Menschen betrachten, die gefrühstückt haben (Behandlung), und wir deren Alter und Einkommen kontrollieren (Kovariaten), sollte die Busankunftszeit (vermutetes Instrument) keinerlei Verbindung zu ihren Testergebnissen (Ergebnis) haben."

Wenn die Busankunftszeit trotzdem noch mit den Testergebnissen verbunden ist, selbst nachdem wir Frühstück und andere Faktoren berücksichtigt haben, dann stimmt etwas nicht. Das bedeutet entweder:

Die Buszeit beeinflusst die Testergebnisse tatsächlich auf eine andere Weise (vielleicht machen späte Busse Kinder gestresst?), ODER
Die „Frühstücks"-Gruppe war von vornherein nicht wirklich zufällig (vielleicht hängt der Busfahrplan mit dem Wohlstand des Viertels zusammen, was die Testergebnisse beeinflusst).

Die Magie: Wenn dieser Test besteht (die Buszeit ist nach Kontrolle aller Faktoren wirklich unabhängig von den Ergebnissen), dann sind zwei Dinge gleichzeitig bewiesen:

Ihr „vermutetes Instrument" ist ein gültiges Werkzeug.
Ihre „Behandlung" (Frühstück) ist effektiv zufällig, was bedeutet, dass Sie Ihren Ergebnissen bezüglich des kausalen Effekts vertrauen können.

Wenn der Test fehlschlägt, wissen Sie, dass Ihre kausale Behauptung wackelig ist.

Wie sie es tun: Der „Double Machine Learning"-Roboter

In der Vergangenheit erforderte dieser Test einfache Mathematik, die mit komplexen Daten mit Hunderten von Variablen (wie Alter, Einkommen, Bildung, Wohnviertel, Wetter usw.) nicht umgehen konnte.

Die Autoren verwendeten Double Machine Learning (DML). Stellen Sie sich einen superschlauen Roboter vor, der:

Die Muster lernt: Er betrachtet alle komplexen Daten, um herauszufinden, wie Buszeit, Frühstück und Testergebnisse miteinander zusammenhängen.
Das Rauschen entfernt: Er entfernt den Einfluss aller anderen Faktoren (der „Kovariaten"), um die reine Beziehung zwischen Instrument und Ergebnis zu sehen.
Das Ergebnis prüft: Er führt einen statistischen Test durch, um zu sehen, ob noch eine Verbindung besteht.

Sie nennen es „Double", weil der Roboter zwei Dinge gleichzeitig lernt (wie das Instrument funktioniert und wie das Ergebnis funktioniert) und eine spezielle Technik namens „Cross-Fitting" verwendet, um sicherzustellen, dass der Roboter die Daten nicht nur auswendig lernt (Overfitting), sondern tatsächlich die Regeln versteht.

Der Realwelt-Test: Kinder, Geschwister und Jobs

Um zu beweisen, dass ihre Methode funktioniert, wandten die Autoren sie auf eine berühmte Studie über Fruchtbarkeit und Frauenberufe an.

Behandlung: Die Geburt eines dritten Kindes.
Ergebnis: Wie viel die Mutter arbeitet.
Vermutetes Instrument: Das „Geschwister-Geschlechterverhältnis" der ersten beiden Kinder. Die Idee ist: Wenn Eltern eine Mischung aus Jungen und Mädchen wollen, könnte das Vorhandensein von zwei Kindern desselben Geschlechts sie dazu veranlassen, ein drittes Kind zu versuchen.

Die Autoren führten ihren neuen Test auf diesen Daten durch. Sie stellten fest, dass das „Geschwister-Geschlechterverhältnis" nicht unabhängig von den Arbeitsstunden der Mutter war, selbst nach Kontrolle von Faktoren wie dem Einkommen des Vaters und dem Alter der Mutter.

Was das bedeutet: Der Test fiel durch. Dies deutet darauf hin, dass entweder das „Geschwister-Geschlechterverhältnis" kein perfektes zufälliges Werkzeug ist (vielleicht haben Familien mit zwei Jungen eine andere finanzielle Situation als Familien mit zwei Mädchen), ODER dass die Geburt eines dritten Kindes nicht so zufällig ist, wie wir dachten, sobald wir diese Faktoren kontrollieren. Kurz gesagt: Die Schlussfolgerung der alten Studie könnte fehlerhaft sein, weil die Annahme der „Zufälligkeit" unter ihrem neuen Mikroskop nicht standhielt.

Zusammenfassung

Dieser Beitrag gibt Forschern eine neue, leistungsstarke Lupe. Anstatt blind darauf zu vertrauen, dass sie alle „verwirrenden Faktoren" in ihren Daten kontrolliert haben, können sie nun ein vermutetes „Instrument" verwenden, um einen Test durchzuführen. Wenn der Test besteht, können sie ihren Schlussfolgerungen über Ursache und Wirkung vertrauen. Wenn er fehlschlägt, wissen sie, dass sie ihre Annahmen überdenken müssen. Sie haben dieses Werkzeug mit Hilfe fortschrittlichen maschinellen Lernens entwickelt, um komplexe Realwelt-Daten zu bewältigen.

Technisches Fazit: Eine testbare Bedingung zur Identifikation von Behandlungseffekten

Problemstellung
In Beobachtungsstudien stützt sich die kausale Inferenz typischerweise auf Identifikationsannahmen, die konventionell als nicht testbar gelten. Die prominenteste davon ist die Annahme der „Selektion auf beobachtbaren Variablen" (oder Unverfälschtheit/Ignorierbarkeit), die besagt, dass die Behandlung bedingt auf die beobachteten Kovariaten so gut wie zufällig zugewiesen ist. Ob eine spezifische Menge von Kovariaten ausreicht, um diese Annahme zu erfüllen, wird üblicherweise durch Theorie oder Intuition und nicht durch empirische Evidenz gerechtfertigt. Dieser Beitrag schließt diese Lücke, indem er die Existenz einer testbaren Bedingung für die Identifikation kausaler Effekte in Beobachtungsdaten nachweist, vorausgesetzt, die Daten enthalten sowohl eine Menge von zu kontrollierenden Kovariaten als auch ein „vermutetes Instrument".

Methodik und theoretischer Rahmen
Die Autoren schlagen einen Rahmen vor, der die Validität eines vermuteten Instruments und die Annahme der Selektion auf beobachtbaren Variablen für die Behandlung gemeinsam testet. Der Ansatz beruht auf einer spezifischen kausalen Struktur (Annahme 1), die sich durch Folgendes auszeichnet:

Keine umgekehrte Kausalität: Das Ergebnis verursacht weder die Behandlung, die Kovariaten noch das vermutete Instrument; die Behandlung verursacht weder die Kovariaten noch das Instrument.
Kausale Treue: Statistische Unabhängigkeit impliziert d-Separation (keine kausalen Pfade) und umgekehrt.
Gemeinsame Stütze: Alle Kombinationen von Behandlungs- und Instrumentenwerten existieren bedingt auf die Kovariaten.
Bedingte Abhängigkeit: Das vermutete Instrument ist bedingt auf die Kovariaten statistisch mit der Behandlung assoziiert (First-Stage-Effekt).

Unter diesen Bedingungen etabliert der Beitrag ein zentrales theoretisches Ergebnis (Satz 1): Die bedingte Unabhängigkeit des vermuteten Instruments ( $Z$ ) und des Ergebnisses ( $Y$ ) gegeben die Behandlung ( $D$ ) und die Kovariaten ( $X$ ) ist eine notwendige und hinreichende Bedingung für die gemeinsame Erfüllung von:

Instrumentenvalidität (A): $Z$ beeinflusst $Y$ nicht direkt und ist bedingt auf $X$ unverfälscht.
Selektion auf beobachtbaren Variablen (B): $D$ ist bedingt auf $X$ unverfälscht.

Folglich sind, wenn die testbare Bedingung $Y \perp\!\!\perp Z | D, X$ gilt, beide Annahmen erfüllt und der Behandlungseffekt identifiziert. Der Beitrag erweitert dies zudem auf die bedingte Mittelwertunabhängigkeit (Satz 2) zur Bewertung des durchschnittlichen Behandlungseffekts (ATE).

Testansätze
Um die Bedingung der bedingten Unabhängigkeit in hochdimensionalen Settings zu testen, schlagen die Autoren Methoden vor, die auf Double Machine Learning (DML) (Chernozhukov et al., 2018) basieren, welche eine datengesteuerte Kontrolle der Kovariaten unter Beibehaltung erwünschter asymptotischer Eigenschaften ermöglicht.

Doubly Robust (DR) Schätzung: Die Autoren konstruieren einen Test basierend auf der durchschnittlichen Differenz der bedingten Mittelwerte ( $\Delta$ ). Sie nutzen eine doubly robuste Score-Funktion, die Schätzungen des bedingten Mittelwerts des Ergebnisses und der Instrumenten-Propensity-Score kombiniert. Durch den Einsatz von Cross-Fitting erreichen sie eine Konsistenz der Ordnung $\sqrt{n}$ und asymptotische Normalität, selbst wenn flexible Machine-Learning-Algorithmen zur Schätzung von Störparametern verwendet werden.
Erkennung von Heterogenität: Um das Problem zu adressieren, dass Mittelwertbildung Verstöße verschleiern könnte, schlagen die Autoren einen Algorithmus vor, um Heterogenität in Verstößen über Kovariatenwerte hinweg zu erkennen. Dies beinhaltet das Aufteilen der Stichprobe, den Einsatz von Machine Learning (z. B. Entscheidungsbäume), um Untergruppen zu identifizieren, in denen Verstöße wahrscheinlich sind, und das Testen der bedingten Unabhängigkeit innerhalb dieser Untergruppen.
Globaler Test der quadrierten Differenz: Ein zweiter Ansatz testet die globale Nullhypothese, dass die quadrierte Differenz der bedingten Mittelwerte null ist ( $E[(\mu(1, D, X) - \mu(0, D, X))^2] = 0$ ). Diese Methode verwendet ein $L_2$ -artiges aggregiertes Maß und führt eine auxiliary Zufallsvariable ein, um sicherzustellen, dass die Teststatistik unter der Nullhypothese eine nicht-entartete Verteilung aufweist.

Simulationsergebnisse
Der Beitrag bewertet die Leistung dieser Tests in endlichen Stichproben mittels Simulationen mit 5 Kovariaten und Stichprobengrößen von 1.000 und 4.000.

Empirische Größe: Unter der Nullhypothese (wo die Annahmen gelten) halten die Tests im Allgemeinen empirische Ablehnraten nahe dem nominalen Niveau von 10 % ein.
Power: Die Tests zeigen eine angemessene Power bei der Erkennung von Verstößen. Der DR-basierte Test ist effektiv, wenn Verstöße uniform sind, während der Test der quadrierten Differenz auch dann eine hohe Power aufweist, wenn Verstöße über die Kovariaten hinweg heterogen sind.
Multiple Testproblematik: Beim Testen auf Heterogenität über Untergruppen hinweg stellen die Autoren fest, dass die Power zwar mit der Stichprobengröße zunimmt, aber Multiple-Testing-Korrekturen (Bonferroni oder Multiplier-Bootstrap) notwendig sind, um die False-Discovery-Rate zu kontrollieren, obwohl sie die Power in kleineren Teilstichproben reduzieren können.

Empirische Anwendung
Die Methodik wird auf US-Volkszählungsdaten (Angrist und Evans, 1998) angewendet, um den Einfluss der Fertilität auf das Arbeitsangebot von Frauen zu bewerten, wobei das Geschlechterverhältnis der ersten beiden Kinder als vermutetes Instrument dient.

Ergebnisse: Die Tests lehnen die Nullhypothese der bedingten Unabhängigkeit ab. Konkret liefert der Test der quadrierten Differenz einen p-Wert nahe null, und der DR-Test ist auf dem 5 %-Niveau signifikant.
Interpretation: Die Ergebnisse deuten auf eine Verletzung der testbaren Implikation hin. Angesichts der moderaten Menge an sozioökonomischen Kovariaten (Alter der Mutter, Einkommen des Vaters usw.) impliziert dies, dass entweder die Annahme der Selektion auf beobachtbaren Variablen nicht zutrifft, das Geschwister-Geschlechterverhältnis kein gültiges Instrument ist, oder beides. Die Heterogenitätsanalyse zeigt, dass Verstöße insbesondere bei Familien mit höherem Einkommen des Vaters ausgeprägt sind.

Bedeutung und Behauptungen
Der Beitrag beansprucht, eine praktische Lösung für ein langjähriges Problem der kausalen Inferenz zu bieten: die Unfähigkeit, die für die Identifikation in Beobachtungsdaten erforderlichen Kernannahmen zu testen.

Gemeinsames Testen: Im Gegensatz zu vorheriger Literatur, die oft ein gültiges Instrument annimmt, um die Selektion auf beobachtbaren Variablen zu testen (oder umgekehrt), testet dieser Ansatz beide Bedingungen gemeinsam. Es wird nicht vorausgesetzt, dass der Forscher a priori an die Validität des Instruments glaubt; vielmehr dient das Instrument als auxiliary Variable, um die Validität der Annahme der Selektion auf beobachtbaren Variablen zu testen.
Flexibilität: Durch die Nutzung von Double Machine Learning passt sich der Ansatz hochdimensionalen Kovariaten und nicht-linearen Beziehungen an, ohne sich auf parametrische Annahmen zu verlassen, die falsch spezifiziert sein könnten.
Einschränkungen: Die Autoren sind hinsichtlich des Umfangs ihrer Behauptungen bescheiden. Sie stellen fest, dass die testbare Bedingung spezifische kausale Annahmen (Treue, keine umgekehrte Kausalität) voraussetzt. Darüber hinaus weist der Test zwar Verstöße nach, lokalisiert aber ohne weitere Annahmen nicht die genaue Fehlerquelle (Ungültigkeit des Instruments vs. unbeobachtete Verfälschung der Behandlung). Der Ansatz wird als diagnostisches Werkzeug zur Bewertung der Glaubwürdigkeit von Identifikationsstrategien und nicht als Methode zur Generierung neuer kausaler Schätzer bei Vorliegen von Verstößen konzipiert.