Partial Identification under Causal Orders by Linear Programming

In der Welt von Ursache und Wirkung finden wir uns oft bei „Was-wäre-wenn“-Fragen wieder, die über die bloße Beobachtung hinausgehen. Wir wollen nicht nur wissen, was passiert ist, sondern was passiert wäre, wenn eine andere Entscheidung getroffen worden wäre. Hat eine bestimmte Behandlung das Leben eines Patienten gerettet, oder wäre er ohnehin genesen? Hat eine politische Maßnahme die Wirtschaft verbessert, oder war die Verbesserung unvermeidlich? Um diese Fragen mit Gewissheit zu beantworten, benötigen Wissenschaftler normalerweise eine vollständige Karte der wirkenden Kräfte, ein detailliertes Diagramm, das genau zeigt, wie jeder Faktor jeden anderen beeinflusst. Diese Karte nennt man einen kausalen Graphen. Ohne ihn bleiben die Antworten im Nebel der Möglichkeiten verborgen. Seit Jahrzehnten versuchen Forscher, diese „Was-wäre-wenn“-Szenarien zu verstehen, wenn diese Karte fehlt oder unvollständig ist, und sind oft gezwungen, sich auf grobe Vermutungen zu verlassen oder zuzugeben, dass die Frage gar nicht beantwortet werden kann.

Zwei Forscher, Eric Rossetto und Alessandro Antonucci, haben einen neuen Weg entwickelt, um diesen Nebel zu durchqueren. Sie erkannten, dass selbst ohne eine vollständige Karte die Natur einer „Was-wäre-wenn“-Frage ihre eigene interne Logik enthält. Wenn man fragt, wie die Änderung einer Sache eine andere beeinflusst, impliziert die Frage selbst eine Sequenz: Die Änderung muss vor dem Ergebnis stattfinden. Indem sie sich auf diese inhärente Ordnung konzentrierten, schufen die Forscher eine Methode, um den engsten möglichen Bereich von Antworten für diese kontrafaktischen Fragen zu berechnen, ohne jemals eine spezifische kausale Karte annehmen zu müssen. Ihre Arbeit verwandelt ein komplexes, oft unmögliches Ratespiel in eine strukturierte Berechnung, die präzise Grenzen für das liefert, was unter Berücksichtigung der uns vorliegenden Daten und der Logik der Frage selbst möglich ist.

Der Kern ihrer Entdeckung liegt in der Erkenntnis, dass jede Untersuchung über Ursache und Wirkung eine verborgene Anweisung über Zeit und Sequenz in sich trägt. Wenn wir fragen, ob eine Behandlung eine Wirkung verursacht hat, sagen wir implizit, dass die Behandlung zuerst kam. Die Forscher zeigten, dass diese einfache Ordnung ausreicht, um einen mathematischen Rahmen zu bauen, der jede denkbare Art und Weise testen kann, wie die Welt angeordnet sein könnte, sofern dies mit dieser Ordnung konsistent ist. Anstatt zu versuchen, die genaue Gestalt des kausalen Geflechts zu erraten, bauten sie ein System, das die gesamte Landschaft der Möglichkeiten erforscht, die durch die Daten und die Logik der Frage zulässig sind. Sie bewiesen, dass dieses System die absolut besten und schlechtesten Szenarien für jede solche Frage finden kann und somit einen Bereich liefert, der garantiert das wahre Ergebnis enthält.

Um dies zu erreichen, wandte das Team ein leistungsstarkes mathematisches Werkzeug namens Lineare Programmierung an, was im Wesentlichen eine Methode zur Findung des besten Ergebnisses in einem System mit vielen Nebenbedingungen ist. Sie übersetzten das Problem der Schätzung kausaler Effekte in eine Reihe von Regeln, die ein Computer lösen konnte. Stellen Sie sich einen riesigen Raum aller möglichen Geschichten darüber vor, wie die Welt funktioniert. Einige Geschichten passen zu den Daten, die wir gesammelt haben; andere nicht. Die Methode der Forscher filtert diesen Raum und behält nur jene Geschichten, die die durch die Frage implizierte Ordnung und die beobachteten Daten respektieren. Innerhalb dieses gefilterten Raums berechneten sie die niedrigsten und höchsten möglichen Wahrscheinlichkeiten für das Ereignis in Frage. Sie zeigten, dass diese berechneten Grenzen nicht bloß grobe Schätzungen sind, sondern die schärfsten möglichen Grenzen. Sie bewiesen, dass es reale, konkrete Modelle der Welt gibt, die alle Daten und die Logik der Frage erfüllen und die Ergebnisse exakt an diesen oberen und unteren Grenzen produzieren. Das bedeutet, dass der von ihnen angegebene Bereich kein Artefakt ihrer Methode ist, sondern ein wahres Abbild dessen, was angesichts unseres aktuellen Wissens möglich ist.

Die Stärke dieses Ansatzes wird deutlich, wenn man sich Fragen zuwendet, die Experten zuvor vor Rätsel gestellt haben. Die Forscher testeten ihre Methode an mehreren klassischen Problemen aus der wissenschaftlichen Literatur, darunter Szenarien, die medizinische Behandlungen und soziale Maßnahmen betreffen. In einem berühmten Fall im Zusammenhang mit Universitätszulassungen, bei dem Forscher lange darüber debattiert haben, ob das Geschlecht die Zulassungsraten beeinflusst hat, lieferte die neue Methode einen weiten, aber ehrlichen Bereich an Möglichkeiten. Frühere Analysen, die eine spezifische, starre Struktur annahmen, wie Geschlecht und Fachwahl interagieren, produzierten eine einzige, präzise Zahl, die keine Diskriminierung suggerierte. Die Methode der Forscher, die sich weigerte, diese unverifizierten strukturellen Annahmen zu treffen, zeigte jedoch, dass die wahre Antwort irgendwo innerhalb eines viel breiteren Intervalls liegen konnte. Dieser weitere Bereich bedeutete nicht, dass die Antwort auf eine nutzlose Weise unbekannt war; vielmehr offenbarte er, dass die präzise Zahl aus früheren Studien stark von Annahmen abhing, die möglicherweise nicht wahr sind. Durch das Entfernen dieser Annahmen zeigten die Forscher, dass das Schlussresultat von „keiner Diskriminierung“ weit weniger sicher war als bisher angenommen.

Diese Arbeit lässt sich auch auf komplexere Fragen ausweiten, die „verschachtelte“ Szenarien beinhalten, bei denen ein „Was-wäre-wenn“ in einem anderen verborgen ist. Zum Beispiel die Frage, was passieren würde, wenn ein Patient ein Medikament einnimmt, aber nur unter der Bedingung, dass er zuvor einer bestimmten Gruppe in einer Studie zugewiesen wurde. Diese geschichteten Fragen sind ohne eine vollständige kausale Karte notorisch schwer zu beantworten. Die Forscher zeigten, dass ihre Methode diese verschachtelten Ebenen genauso effektiv handhabt wie einfache. Sie demonstrierten, dass das Aufbrechen dieser komplexen Abfragen in ihre logischen Bestandteile dazu führt, dass dieselbe mathematische Maschinerie die engsten möglichen Grenzen findet. In ihren Tests stellten sie fest, dass der Versuch, separate, einfachere Antworten zu kombinieren, um eine komplexe Antwort aufzubauen, oft zu viel weiteren, weniger nützlichen Bereichen führte. Ihr direkter Ansatz zur komplexen Frage lieferte hingegen signifikant engere und informativere Ergebnisse.

Die Forscher waren sorgfältig darin, den Kompromiss anzuerkennen, der mit ihrer Methode verbunden ist. Da sie keine spezifische kausale Karte voraussetzen, sind ihre berechneten Bereiche naturgemäß breiter als jene, die aus Studien stammen, die starke Annahmen darüber treffen, wie Variablen miteinander verbunden sind. Eine Studie, die ein spezifisches Diagramm annimmt, mag eine sehr enge, präzise Antwort liefern, aber diese Präzision geht auf Kosten der Richtigkeit, falls das angenommene Diagramm fehlerhaft ist. Die neue Methode opfert diese Schmalheit zugunsten der Zuverlässigkeit und stellt sicher, dass das wahre Ergebnis niemals aus dem Bereich ausgeschlossen wird. Sie bewiesen, dass diese Zuverlässigkeit keine Schwäche, sondern eine Stärke ist, insbesondere in Feldern wie der Medizin und den Sozialwissenschaften, in denen die wahren kausalen Strukturen oft unbekannt oder umstritten sind.

Letztendlich bietet diese Forschung eine neue Art, über Unsicherheit nachzudenken. Sie legt nahe, dass wir nicht alles über die Welt wissen müssen, um bedeutende Fortschritte im Verständnis von Ursache und Wirkung zu erzielen. Indem wir die in unseren Fragen innewohnende logische Struktur nutzen, können wir das Maximum an Informationen aus unseren Daten extrahieren, ohne in unbegründete Annahmen zu verfallen. Die Forscher lieferten ein Werkzeug, das es Wissenschaftlern ermöglicht, mit mathematischer Gewissheit zu sagen: „Die Antwort liegt irgendwo zwischen X und Y“, selbst wenn sie nicht genau sagen können, wo. Diese Fähigkeit, die Grenzen des Möglichen zu definieren, ohne eine vollständige Karte des Territoriums zu benötigen, stellt einen bedeutenden Schritt nach vorn in unserer Fähigkeit dar, über die Vergangenheit und die Zukunft in einer Welt zu urteilen, in der vollständiges Wissen selten verfügbar ist.