📊 statistics

Causal Inference for Case Studies in Behavioral Health

Dieses Paper führt ein Framework für kausale Inferenz in Fallstudien der Verhaltensgesundheit ein, das $\Omega$ -Estimanden auf Basis von Outcome-Supports anstelle von Verteilungen nutzt und somit unter der Annahme einer Positivität auch bei nicht gemessener Konfundierung valide kausale Schlussfolgerungen ermöglicht.

Ursprüngliche Autoren: Shane Sparkes

Veröffentlicht 2026-07-09

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shane Sparkes

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

Das große Problem: Das „Zeitreise“-Dilemma

Stellen Sie sich vor, Sie sind ein Therapeut und versuchen herauszufinden, ob eine bestimmte Behandlung einem Klienten geholfen hat. In einer perfekten Welt könnten Sie eine „Zeitreise“ machen, um zu sehen, was mit genau derselben Person passiert wäre, wenn sie die Behandlung nicht erhalten hätte. Sie könnten ihr „behandeltes“ Selbst mit ihrem „unbehandelten“ Selbst vergleichen.

Doch wie das Paper aufzeigt, existiert keine Zeitreise. Man kann die Uhr nicht zurückdrehen. Zudem kann man im echten Leben nicht alles messen. Es gibt immer verborgene Faktoren (wie einen schlechten Arbeitstag eines Klienten, einen Familienstreit oder das Wetter), die sowohl die Behandlung, die er erhält, als auch sein Befinden beeinflussen können. In der Statistik werden diese verborgenen Faktoren als Confounder (Störvariablen) bezeichnet. Normalerweise muss man, um Ursache und Wirkung zu beweisen, all diese verborgenen Faktoren messen und kontrollieren. In der Verhaltenstherapie ist es jedoch oft unmöglich oder sogar unethisch, alles zu messen, ohne den natürlichen Fluss der Versorgung zu stören.

Die Lösung: Auf die „Speisekarte“ schauen statt auf die „Bestellung“

Der Autor, Shane Sparkes, schlägt einen neuen Weg vor, um dies zu lösen. Anstatt zu versuchen, die durchschnittliche Verbesserung zu berechnen (was voraussetzt, dass man alle verborgenen Wahrscheinlichkeiten kennt), schlägt er vor, die Spanne der Möglichkeiten zu betrachten.

Die Analogie: Die Restaurant-Speisekarte
Stellen Sie sich das Angstniveau eines Klienten wie eine Speisekarte möglicher Gefühle vor, die von „Ruhig“ (1) bis „Panik“ (10) reicht.

Vor der Behandlung: Die „Speisekarte“ der möglichen Gefühle des Klienten umfasst alles von 1 bis 10. Er könnte heute eine 10 fühlen, morgen eine 7 oder nächste Woche eine 2.
Nach der Behandlung: Wenn die Behandlung wirkt, fühlt sich der Klient vielleicht immer noch bei einer 1, 2 oder 3, aber er wird vielleicht nie wieder eine 9 oder 10 fühlen. Die „9“ und „10“ wurden von der Speisekarte gestrichen.

Das Paper argumentiert, dass wir sagen können, dass die Behandlung eine Wirkung hatte, wenn sie die Speisekarte (die Menge der möglichen Ergebnisse) verändert, selbst wenn wir nicht die genauen Quoten für das Gefühl einer 7 gegenüber einer 8 kennen.

Der Kern der Idee: $\Omega$ -Estimands

Das Paper führt den Fachbegriff $\Omega$ -Estimands (ausgesprochen „Omega-Estimands“) ein.

Traditionelle Methoden betrachten die Verteilung (die Wahrscheinlichkeit jeder einzelnen Zahl). Sie fragen: „Was ist der Durchschnittswert?“
Die Methode dieses Papers betrachtet den Support (die Liste der Zahlen, die tatsächlich möglich sind). Sie fragt: „Welche Zahlen stehen auf der Speisekarte?“

Der Autor behauptet, dass man, wenn man auf die Speisekarte (den Support) statt auf die Quoten (die Verteilung) schaut, die verborgenen Confounder nicht kennen muss. Solange eine grundlegende Bedingung namens Positivität erfüllt ist, ist die „Speisekarte“, die wir in der realen Welt sehen, dieselbe „Speisekarte“, die wir in einem perfekten Experiment gesehen hätten.

Was ist Positivität?
Betrachten Sie Positivität als eine Regel der „offenen Optionen“. Das bedeutet, dass der Behandler unabhängig von der jeweiligen Situation des Klienten (schlechter Tag, guter Tag, Krise) weiterhin die Möglichkeit hat, die Behandlung anzubieten. Wenn eine Krise so schwerwiegend ist, dass der Behandler die übliche Behandlung nicht mehr anbieten kann, ist die Positivität verletzt. Aber wenn der Behandler die Behandlung immer anbieten kann (selbst wenn er sie anpasst), bleibt die „Speisekarte“ für den Vergleich gültig.

Die drei „Regeln“ für die Methode

Um dies in einer echten Klinik praktikabel zu machen, schlägt das Paper drei Bedingungen vor:

Positivität (Die „Offene-Tür“-Regel): Wie oben erwähnt, muss die Behandlung in allen Situationen möglich sein. Die „Speisekarte“ der Behandlungen sollte nicht verschwinden, nur weil sich das Leben des Klienten kompliziert gestaltet.
Epistemische Erhaltung (Die „Gleiche Form“-Regel): Dies ist etwas technischer, bedeutet aber im Wesentlichen, dass die Person, die das Urteil fällt (der Therapeut oder der Klient), eine konsistente Art des Denkens über Unsicherheit anwenden sollte. Wenn er das „durchschnittliche“ Gefühl vor der Behandlung einschätzt, sollte er das „durchschnittliche“ Gefühl nach der Behandlung mit derselben mentalen Logik einschätzen.
Support Recall (Die „Gedächtnis-Speisekarte“-Regel): Normalerweise fehlen uns Daten für den Zeitraum „vorher“, weil der Klient zu diesem Zeitpunkt noch nicht gemessen wurde. Das Paper schlägt vor, den Klienten nach seinem Ausgangszustand (Baseline) fragen zu lassen, ihn zu erinnern. Die Regel hierbei lautet: Selbst wenn das Gedächtnis des Klienten nicht perfekt ist, solange er sich an die Spanne der Möglichkeiten erinnert (z. B. „Früher fühlte ich mich zwischen 8 und 10“), ist dieses Erinnern gut genug, um es mit der aktuellen „Speisekarte“ zu vergleichen.

Die Fallstudie: Ein einfaches Beispiel

Das Paper nutzt ein reales Beispiel eines 23-jährigen Studenten mit Angstzuständen.

Vor der Behandlung: Seine Angstwerte waren hoch (um die 10).
Nach 19 Sitzungen: Seine Werte sanken, und der niedrigste Wert, den er je erreichte, war eine 4.
Die Berechnung: Der Autor nutzt einen einfachen mathematischen Trick (Bayessche Statistik), um zu sagen: „Angesichts der Tatsache, dass der Student bei 10 startete und auf ein Tief von 4 sank, besteht eine starke Überzeugung, dass die Behandlung gewirkt hat.“
Das Ergebnis: Er berechnete eine Wahrscheinlichkeit (etwa 59 %), dass die Behandlung effektiv war. Dies ist kein „Beweis“ im streng wissenschaftlichen Sinne, aber es gibt dem Therapeuten und dem Klienten einen kohärenten, logischen Grund zu glauben, dass die Behandlung geholfen hat, basierend auf der Tatsache, dass sich die „Speisekarte“ der möglichen Gefühle geändert hat.

Das Fazit

Dieses Paper behauptet, dass wir beweisen können, dass eine Behandlung im Leben einer einzelnen Person (eine N=1-Studie) funktioniert, ohne jeden verborgenen Faktor in ihrem Leben messen zu müssen.

Alter Weg: „Wir müssen alles messen, um sicher zu sein.“ (Oft unmöglich).
Neuer Weg: „Wenn die Behandlung die schlimmsten Möglichkeiten aus dem Leben des Klienten entfernt (die Speisekarte ändert) und die Behandlung immer eine Option war (Positivität), dann haben wir einen Beleg für einen kausalen Effekt.“

Der Autor gibt zu, dass diese Methode ein Kompromiss ist: Sie ist sehr robust gegenüber verborgenen Fehlern (Confoundern), könnte aber subtile Veränderungen übersehen, wenn die „Speisekarte“ gleich bleibt, sich aber die Häufigkeit der Gefühle ändert. Doch für die psychische Gesundheit, wo das Ziel oft darin besteht, die schlimmsten Symptome (die „9er und 10er“) zu eliminieren, bietet diese Methode einen praktischen, logischen Weg für Therapeuten und Klienten, um ihren Fortschritt zu verstehen.

Technisches Resümee: Kausale Inferenz für Fallstudien in der Verhaltensgesundheit

Problemstellung
Die Arbeit befasst sich mit der grundlegenden Herausforderung der kausalen Inferenz in beobachtenden $N=1$ -Settings, speziell im Bereich der Fallstudien der Verhaltensgesundheit. Standardmethoden der kausalen Inferenz stützen sich typischerweise auf Randomisierung, experimentelle Kontrolle oder große Populationsrahmen, um Störvariablen (Confounding) zu adjustieren. Individuelle Behandlungsprozesse lassen diese Merkmale jedoch vermissen. Anbieter und Klienten operieren in einem Kontext von „nicht gemessenen Störvariablen“ ( $U$ ), in dem ein Geflecht aus latenten Variablen sowohl die Behandlungsselektion ( $T$ ) als sie die Ergebnisse ( $Y$ ) beeinflusst. Zudem sind strikte experimentelle Designs (z. B. A-B-A-B-Reversals) oft unethisch oder untergraben die therapeutische Beziehung. Folglich können Anbieter keine Gegenfaktualitäten empirisch messen (z. B. $Y|do(t=0)$, wenn $Y|do(t=1)$ beobachtet wird) oder sich auf populationsbasierte Matching-Annahmen verlassen, die eine „wesentliche Identität“ zwischen unterschiedlichen Zeitpunkten oder Individuen voraussetzen. Das Kernproblem besteht darin, einen validen Weg zu kausalen Estimanden zu finden, ohne die Messung oder Adjustierung von Confoundern zu erfordern.

Methodik und Framework
Die Autoren schlagen ein Framework vor, das auf Strukturellen Kausalen Modellen (SCMs) und einer subjektivistischen (de Finetti) Interpretation der Wahrscheinlichkeit basiert, wobei Wahrscheinlichkeit als ein persönliches Maß der Unsicherheit und nicht als objektive Häufigkeit betrachtet wird.

$\Omega$ -Estimanden: Die Arbeit verlagert den Fokus von Kontrasten von Wahrscheinlichkeitsverteilungen (z. B. Differenzen von Mittelwerten) auf Kontraste von Trägerbereichen (Supports). Der Träger einer Zufallsvariable, bezeichnet als $\Omega$ , ist die Menge der Werte mit einer Wahrscheinlichkeit ungleich Null. Die Autoren definieren $\Omega$ -Estimanden als Funktionen dieser Trägerbereiche (z. B. $\max(\Omega)$ , $\min(\Omega)$ , Spannweite oder Kardinalität), die keine Wahrscheinlichkeitsgewichte einbeziehen.
Die Kernannahme (Positivität): Das Framework stützt sich auf eine einzige, kritische Annahme: Positivität. Formal gilt für alle Behandlungswerte $t \in \Omega_T$ und alle nicht gemessenen Störvariablen $u \in \Omega_U$ , dass die bedingte Wahrscheinlichkeit $f(t|u) > 0$ ist. Im subjektivistischen Kontext bedeutet dies, dass kein Zustand der nicht gemessenen Störvariable $u$ eine spezifische Behandlung $t$ unmöglich macht. Die Autoren argumentieren, dass die Positivität gewahrt bleibt, wenn die Behandlung auf einer ausreichend groben Ebene konzipiert wird (z. B. „Exposition gegenüber Fallmanagement“ statt spezifischer Mikro-Interventionen), selbst in Gegenwart nicht gemessener Störvariablen.
Träger-Koexistenz (Support Coincidence): Das zentrale theoretische Resultat (Proposition 1) beweist, dass unter der Positivitätsannahme der Beobachtungsträger mit dem interventionellen Träger identisch ist: $\Omega_{Y|t} = \Omega_{Y|do(t)}$ . Dies bedeutet, dass die Menge der möglichen Ergebnisse, die in der realen Welt beobachtet werden, identisch mit der Menge der möglichen Ergebnisse ist, die unter einer hypothetischen Intervention auftreten würden, wodurch die Identifikation von $\Omega$ -Effekten immun gegen nicht gemessene Störvariablen ist.

Wesentliche Beiträge und Erweiterungen
Das Papier führt drei Bedingungen ein, um die Inferenz zu erleichtern:

Bedingung I (Positivität): Ausreichend, um zu identifizieren, dass Beobachtungs- und Interventions-Träger zusammenfallen.
Bedingung II (Epistemische Erhaltung): Setzt voraus, dass das „strukturelle Motiv“ der Unsicherheit des Akteurs (speziell die Beziehung zwischen dem Erwartungswert und dem funktionalen Durchschnitt des Trägers) über Behandlungs- und Nicht-Behandlungszustände hinweg invariant bleibt. Dies ermöglicht die Übersetzung von $\Omega$ -Effekten in Differenzen von Erwartungswerten via einer Erwartungs-Durchschnitt-Identität: $E(Y) = Av(Y) - \kappa$ , wobei $\kappa$ ein skalenbezogener Term ist. Wenn $\kappa$ erhalten bleibt, gewinnen Differenzen von Mittelwerten eine kausale Bedeutung.
**Bedingung III (Träger-Erinnerung/Support Recall): Ermöglicht es, dass die erinnerte Baseline-Schätzung eines Klienten ( $\hat{Y}$ ) als Proxy für den unobservierten Baseline-Träger ( $\Omega_{Y|t=0}$ ) dient. Es wird angenommen, dass, während die Wahrscheinlichkeitsverteilung der Erinnerung abweichen kann, der Menge der möglichen Werte (der Träger) an dieselbe Realität gebunden bleibt.

Ergebnisse und Fallstudienanwendung
Die Autoren demonstrieren ihr Framework anhand einer klinischen Fallstudie eines 23-jährigen Studenten, der eine kognitive Verhaltenstherapie (KVT) gegen Angststörungen durchläuft.

Daten: 19 wöchentliche Angstwerte (Skala 0–10), die einen abnehmenden Trend von 10 zu 4 zeigen.
Anwendung: Die Autoren definieren einen $\Omega$ -Effekt als den Kontrast zwischen dem Minimum des Baseline-Trägers und dem Minimum des Behandlungs-Trägers ( $\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$ ).
Inferenz: Unter Verwendung eines subjektiven Bayesianischen Ansatzes berechnen sie die Posteriori-Wahrscheinlichkeit der Wirksamkeit der Behandlung. Indem sie eine Prior-Überzeugung postulieren und diese mit den beobachteten Daten (der Verschiebung des Minimum-Wertes) aktualisieren, leiten sie eine Posteriori-Wahrscheinlichkeit der Wirksamkeit ( $\approx 0,59$ ) ab.
Interpretation: Das Ergebnis ist keine frequenzbasierte Garantie, sondern eine „kohärente, gemäßigte Glaubwürdigkeit“ (coherent, tempered credence) hinsichtlich der Fähigkeit der Behandlung, hochintensive Symptom-Möglichkeiten zu eliminieren (eine Verschiebung des Trägers).

Bedeutung und Ansprüche
Das Paper behauptet, einen „Weg zur kausalen Inferenz“ für individuelle Behandlungsprozesse aufzuzeigen, der die traditionelle Anforderung umgeht, Backdoor-Pfade zu schließen oder Störvariablen zu messen.

Robustheit statt Sensitivität: Das Framework tauscht die Sensitivität gegenüber Verteilungsänderungen (die konfundiert sind) gegen Robustheit ein, indem es sich auf Änderungen des Trägers konzentriert (die unter Positivität identifizierbar sind). Es wird argumentiert, dass effektive Behandlung oft in der Eliminierung extremer Möglichkeiten besteht (z. B. das Verhindern einer Panikattacke), was eine Änderung des Trägers darstellt, die ohne Kenntnis der Confounder detektierbar ist.
Praktischer Nutzen: Es bietet eine fundierte, elementare Methode für Anbieter, um über die Wirksamkeit einer Behandlung unter Verwendung von datengestützter Versorgung (measurement-based care) zu urteilen, ohne fortgeschrittene statistische Ausbildung oder experimentelle Designs zu benötigen.
Limitierungen: Die Autoren räumen ein, dass Positivität nicht testbar ist und über die Validität des zugrunde liegenden gerichteten azyklischen Graphen (DAG) verteidigt werden muss. Sie stellen zudem fest, dass das Framework unempfindlich gegenüber Behandlungen ist, die lediglich die Wahrscheinlichkeitsmasse innerhalb eines unveränderten Trägers verschieben (z. B. eine „5“ wahrscheinlicher zu machen als eine „4“, ohne die „10“ zu eliminieren). Des Weiteren sind die Ergebnisse Kohärenzaussagen für einen denkenden Akteur und keine Frequenzgarantien.

Zusammenfassend lässt sich sagen, dass das Paper argumentiert, dass man durch die Neudefinition kausaler Zielgrößen als Kontraste von Outcome-Trägern anstelle von Verteilungen und durch die Akzeptanz einer subjektivistischen Sicht auf die Wahrscheinlichkeit eine valide kausale Identifikation in $N=1$ Verhaltensgesundheitsstudien unter der alleinigen Bedingung der Positivität erreichen kann.