📈 economics

Causal Persuasion

Dit artikel introduceert een model van causale persuasie waarin een afzender door selectieve onthulling van variabelen en een subjectief causaal model een ontvanger kan overtuigen, en onthult een fundamentele asymmetrie waarbij het aantonen van causaliteit vaak veel eenvoudiger is dan het weerleggen van een waargenomen causaal verband.

Oorspronkelijke auteurs: Anastasia Burkovskaya, Egor Starkov

Gepubliceerd 2026-04-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anastasia Burkovskaya, Egor Starkov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Causale Overtuiging: Waarom het makkelijker is om een verhaal te vertellen dan de waarheid te bewijzen

Stel je voor dat je een detective bent die probeert uit te zoeken wat er echt gebeurd is. Je hebt een hoop gegevens (data), maar je weet niet hoe die met elkaar samenhangen. Iemand anders, de "verteller", komt naar je toe met een verhaal: "A veroorzaakt B!"

Deze nieuwe paper, geschreven door Anastasia Burkovskaya en Egor Starkov, onderzoekt precies dit: Hoe kan iemand iemand anders overtuigen van een oorzaak-en-gevolg-relatie, en hoe moeilijk is het om het tegenovergestelde te bewijzen?

Hier is de kern van het verhaal, vertaald in alledaags taalgebruik:

1. Het Spel: Verhalen en Gegevens

Stel je een wereld voor die werkt als een gigantisch, ingewikkeld web van oorzaak en gevolg (een "causale kaart"). Iedereen ziet maar een deel van dit web.

De Verteller (Sender): Kent het hele web en de waarheid. Hij wil je overtuigen van een specifiek verhaal (bijvoorbeeld: "MBA's maken je rijk").
De Luisteraar (Receiver): Kijkt naar de gegevens die de verteller laat zien. Hij heeft twee manieren om te reageren:
- De Geloofwaardige (Naïef): "Als A en B samen voorkomen, dan moet A B veroorzaken." Hij gelooft elk verhaal dat past bij de cijfers.
- De Slimme (Sophisticated): "Wacht even. Als A en B samen voorkomen, kan het ook zijn dat B A veroorzaakt, of dat er een derde factor C is die beiden beïnvloedt. Bewijs het maar eens."

2. De Grote Ongelijkheid: Vertellen is makkelijker dan Ontmaskeren

De belangrijkste ontdekking van de auteurs is een fundamentele ongelijkheid: Het is veel makkelijker om iemand te overtuigen dat er een verband is, dan om iemand te overtuigen dat er geen verband is.

Scenario A: Het makkelijke verhaal (Overtuigen)

Stel, je wilt iemand overtuigen dat IJs eten leidt tot Zonneslag.

De waarheid: IJs eten en Zonneslag hebben niets met elkaar te maken. Ze gebeuren alleen vaak op dezelfde dag omdat het warm weer is (de verborgen factor).
De truc: De verteller laat je alleen zien: "Kijk, mensen die veel ijs eten, krijgen vaker zonneslag."
Het resultaat:
- De Geloofwaardige denkt direct: "IJs veroorzaakt zonneslag!" (Overtuiging geslaagd).
- De Slimme denkt: "Hmm, misschien is het warm weer?" Maar als de verteller nu één slimme variabele toevoegt (bijvoorbeeld: "Kijk, mensen die in de schaduw zitten, eten ook ijs, maar krijgen geen zonneslag"), dan kan de slimme luisteraar de andere opties uitsluiten. De verteller heeft nu met slechts één extra feitje de slimme luisteraar overtuigd.

Analogie: Het is alsof je iemand wilt overtuigen dat een sleutel een deur opent. Je hoeft alleen maar te laten zien dat de sleutel in het slot past en de deur opengaat. Dat is makkelijk.

Scenario B: Het moeilijke verhaal (Ontmaskeren)

Nu wil de verteller (die de waarheid kent) de luisteraar overtuigen dat IJs eten NIET leidt tot Zonneslag.

Het probleem: De luisteraar ziet nog steeds de correlatie. "Ze gebeuren toch samen?"
De eis: Om de luisteraar te overtuigen dat er geen directe link is, moet de verteller elke mogelijke verborgen oorzaak blootleggen. Hij moet laten zien dat er geen enkel ander ding is (zoals warm weer, vakantie, toeristen, etc.) dat beide beïnvloedt.
Het resultaat: Als er maar één verborgen factor is die de verteller vergeten is te noemen, ziet de luisteraar nog steeds een verband en denkt hij: "Er moet toch een oorzaak zijn die ik niet zie, of een directe link."
Conclusie: Om te bewijzen dat er niets is, moet je bewijzen dat er niets anders is. Dat betekent dat je misschien honderden variabelen moet laten zien.

Analogie: Het is alsof je iemand wilt overtuigen dat er geen monster in de kamer is. Je kunt niet zomaar zeggen "kijk, ik zie niets". Je moet de hele kamer, elke hoek, elke kast en elke koffer openmaken en laten zien dat er niets in zit. Als je één kastje vergeet, denkt de luisteraar: "Daar zit het monster!"

3. De "Goochelaar" en de "Detective"

De auteurs laten zien dat zelfs een slimme luisteraar bedrogen kan worden als de verteller slimme variabelen kiest.

Als de verteller een verhaal vertelt dat tegen de waarheid ingaat (bijv. "Zonneslag veroorzaakt ijsverkoop"), kan hij een slimme luisteraar nooit overtuigen. De data zal altijd een "V-vorm" (een statistisch patroon) tonen die de waarheid verraadt.
Maar als de verteller een verhaal vertelt dat niet direct tegen de waarheid ingaat (bijv. "IJs veroorzaakt zonneslag", terwijl het eigenlijk warm weer is), kan hij de luisteraar misleiden door slechts één of twee slimme variabelen te tonen.

4. Wat betekent dit voor de echte wereld?

Dit heeft grote gevolgen voor politiek, media en marketing:

Politici en Marketings: Het is heel makkelijk om een verhaal te verkopen dat "A veroorzaakt B". Ze hoeven maar één of twee extra feiten te kiezen die het verhaal steunen.
Wetenschappers en Critici: Het is enorm moeilijk om te bewijzen dat een populair verhaal fout is. Om te zeggen "Immigratie veroorzaakt niet criminaliteit", moet je elke mogelijke andere factor (armoede, stedelijke dichtheid, etc.) uitleggen en uitsluiten. Als je één factor vergeet, blijft het verhaal van de politicus overeind.

Samenvatting in één zin

Het is als een spelletje "Wie is het?": Het is makkelijk om iemand te overtuigen dat de dader de man met de hoed is door alleen te laten zien dat hij een hoed draagt. Maar het is extreem moeilijk om te bewijzen dat hij niet de dader is, omdat je dan moet bewijzen dat er geen enkele andere reden is waarom hij de hoed draagt.

De les: Wees kritisch op verhalen die een oorzaak claimen op basis van weinig feiten, maar wees ook realistisch dat het bewijzen van het tegenovergestelde vaak een onmogelijke taak is zonder oneindig veel data.

Titel: Causal Persuasion (Causale Persuasive)

Auteurs: Anastasia Burkovskaya (Universiteit van Sydney) en Egor Starkov (Universiteit van Kopenhagen)
Datum: April 2026

1. Probleemstelling

Het artikel adresseert een fundamentele vraag in strategische communicatie: hoe kan een zender (sender) een ontvanger (receiver) overtuigen van een specifiek causaal verband tussen variabelen, of juist een bestaand causaal verband ontkrachten?

In de praktijk (media, politiek, marketing) worden verhalen vaak gebruikt om causale relaties te rationaliseren die waargenomen data ondersteunen. Het probleem is dat correlatie niet gelijkstaat aan causaliteit. De auteurs onderzoeken onder welke voorwaarden een zender, die alleen waarheidsgetrouwe data mag openbaren (geen valse data mag fabriceren), een ontvanger kan overtuigen van een specifiek causaal model (een gerichte acyclische graaf of DAG).

De kernvragen zijn:

Wanneer is het mogelijk om een causaal verband te bewijzen?
Hoeveel variabelen moet de zender openbaren om dit te doen?
Is het makkelijker om een verband te bewijzen of om te bewijzen dat er geen verband is?
Wat gebeurt er als de ontvanger al een subjectief (en mogelijk foutief) causaal model heeft?

2. Methodologie en Model

Het model is gebaseerd op de theorie van causale inferentie en strategische communicatie.

De Wereld en Data:

De werkelijkheid wordt beschreven door een ware causale graaf $(\Omega_t, C_t)$ , een gerichte acyclische graaf (DAG) met een set variabelen $\Omega_t$ en causale links $C_t$ .
De data wordt gegenereerd door de gezamenlijke verdeling $P$ van deze variabelen.
De zender kent de ware graaf en de volledige data.

De Actoren:

De Zender: Kan een subset van variabelen $\Omega_s \subseteq \Omega_t$ selectief openbaren aan de ontvanger en een subjectief causaal model $(\Omega_s, C_s)$ voorstellen dat consistent is met de data van die subset.
De Ontvanger: Heeft aanvankelijk geen kennis van variabelen of een model. De ontvanger accepteert het model van de zender op basis van twee mogelijke typen:
1. Naïef: Accepteert elk model dat consistent is met de geobserveerde data (correlatie wordt geaccepteerd als causaliteit).
2. Geavanceerd (Sophisticated): Accepteert een model alleen als de causale links uniek consistent zijn met de data. Dit betekent dat de data alle andere causale interpretaties (zoals omgekeerde causaliteit of confounding) moet uitsluiten.

Consistentie en het IC-algoritme:

Een model is consistent met data als het voldoet aan de Markov-eigenschap (onafhankelijkheid in data komt overeen met afwezigheid van links in het model) en Minimaliteit (elke link in het model correspondeert met een statistische afhankelijkheid).
De auteurs gebruiken het Inductive Causation (IC) algoritme (Pearl, 1990) en de Meek-regels om te bepalen welke causale richtingen uniek kunnen worden afgeleid uit de data.
Een link wordt "defect" genoemd als deze consistent is met de data, maar niet overeenkomt met de ware causaliteit (bijv. $x \to y$ wordt voorgesteld terwijl in werkelijkheid $x \leftarrow y$ of $x \leftarrow c \to y$ geldt).

3. Belangrijkste Resultaten

A. Overtuigen van een Naïeve Ontvanger

Als $x$ en $y$ gecorreleerd zijn in de ware wereld, kan een naïeve ontvanger altijd worden overtuigd dat $x \to y$ , zelfs zonder extra variabelen. Correlatie is voldoende bewijs voor een naïeve ontvanger.

B. Overtuigen van een Geavanceerde Ontvanger (Nieuwe Kansen)

Voor een geavanceerde ontvanger is het bewijzen van causaliteit veel moeilijker en vereist het het openbaren van extra variabelen om alternatieve verklaringen (zoals omgekeerde causaliteit of confounding) uit te sluiten.

Theorema 1 (Onmogelijkheid van omgekeerde causaliteit): Als de ware causaliteit $x \leftarrow y$ is, kan een geavanceerde ontvanger nooit worden overtuigd dat $x \to y$ . De zender kan de richting van de causaliteit niet omdraaien door alleen data te tonen.
Theorema 1 (Mogelijkheid bij ware causaliteit): Als $x \to y$ $x \to y$ waar is, kan overtuiging lukken, maar hangt de "moeilijkheid" af van de structuur van de graaf:
- Gemakkelijk: Als er een "obvious cause" (een variabele die $y$ beïnvloedt maar niet gecorreleerd is met $x$ ) of twee "non-obvious causes" bestaan die een V-structuur vormen, volstaat het openbaren van één of twee extra variabelen.
- Moeilijk: Als dergelijke variabelen ontbreken, kan het nodig zijn om een willekeurig groot aantal variabelen (alle confounders) openbaar te maken om de causaliteit te bewijzen.

C. Ontkrachten van Bestaande Modellen (Debunking)

Als de ontvanger al een subjectief model heeft, moet de zender eerst dit model ontkrachten voordat een nieuw model kan worden geïntroduceerd.

Defecte links: Alleen defecte links (links die niet bestaan in de ware wereld) kunnen worden ontkracht. Als de ontvanger een vereenvoudigd maar correct model heeft (alleen variabelen ontbreken, maar geen valse links), kan dit niet worden ontkracht.
Symmetrie: Het ontkrachten van een defecte link is kwalitatief vergelijkbaar met het overtuigen van een geavanceerde ontvanger met een "lege geest". Het vereist het openbaren van variabelen die een V-structuur creëren die de bestaande link onmogelijk maakt.
Theorema 2: Als de ware wereld "rijk" is (uniek identificeerbaar) en "simpel" (V-structuren zijn duidelijk), kan een defecte link vaak worden ontkracht door slechts één of twee extra variabelen openbaar te maken.

D. De Fundamentele Asymmetrie

Dit is het meest cruciale inzicht van het papier:

Causaliteit bewijzen vs. Uitsluiten: Het is vaak makkelijker om een ontvanger te overtuigen dat er een causaal verband is (zelfs een foutief verband) dan om te bewijzen dat er geen verband is.
Reden: Om te bewijzen dat er geen verband is tussen $x$ en $y$ (wanneer ze gecorreleerd zijn door confounders), moet de zender alle gemeenschappelijke oorzaken (confounders) openbaren om de correlatie te "d-separeren". Aangezien er willekeurig veel confounders kunnen zijn, is dit taak vaak onuitvoerbaar of extreem kostbaar.
Gevolg: Een zender kan een ontvanger makkelijker misleiden door correlatie voor causaliteit uit te geven (door één of twee slimme variabelen te tonen) dan om de waarheid te bewijzen dat er geen causaal verband bestaat (waarvoor alle confounders nodig zijn). Dit staat in contrast met de klassieke Humeaanse asymmetrie (waar het ontkrachten van een universele bewering makkelijk is).

4. Bijdragen aan de Literatuur

Eerste Model van Causale Persuasive: Het is het eerste model dat strategische communicatie combineert met causale inferentie (DAGs). Het toont aan hoe causale mispercepties kunnen ontstaan door selectieve disclosure.
Integratie van Causal Discovery: Het past technieken uit de computerwetenschap (Bayesian networks, IC-algoritme, Meek-regels) toe op economische speltheorie.
Asymmetrie in Communicatie: Het identificeert een nieuwe vorm van asymmetrie: het is structureel moeilijker om een causaal verband te ontkrachten dan te beweren dat het bestaat, zelfs met waarheidsgetrouwe data.
Strategieën voor Misleiding: Het toont aan dat een zender, zelfs zonder te liegen over de data, een geavanceerde ontvanger kan misleiden door een defect model te presenteren dat consistent is met een selectief getoonde subset van variabelen.

5. Significantie en Implicaties

Beleid en Communicatie: Het model verklaart waarom het zo moeilijk is om fabels of pseudowetenschappelijke claims te weerleggen (bijv. "immigratie veroorzaakt criminaliteit"). Zelfs als de oorzaak een confounder is (zoals stedelijke dichtheid), vereist het weerleggen van het causale verband het identificeren en tonen van alle mogelijke confounders, wat vaak onmogelijk is.
Strategische Disclosure: Het biedt een blauwdruk voor hoe actoren (bedrijven, politici) hun verhalen kunnen versterken door specifieke variabelen toe te voegen die V-structuren creëren, waardoor hun narratief "uniek consistent" wordt.
Econometrische Uitdagingen: Het model onderstreept de moeilijkheid van empirisch werk. Het bewijzen van causaliteit vereist vaak een rijke set covariaten, en het ontbreken hiervan maakt het makkelijker om foutieve causale claims te maken dan om de waarheid te bewijzen.

Conclusie:
Burkovskaya en Starkov tonen aan dat in een wereld waar data waarheidsgetrouw is maar selectief wordt gedeeld, de "waarheid" over causaliteit niet altijd de overhand heeft. De structuur van de causale graaf bepaalt of overtuiging mogelijk is, en er bestaat een fundamentele asymmetrie: het is structureel eenvoudiger om een causaal verhaal te vertellen dan om te bewijzen dat er geen verhaal is.