#73: Korrelation vs. Kausalität: Was braucht es für fundierte Entscheidungen?

Korrelation ist nicht gleich Kausalität, und wer fundierte
Entscheidungen treffen will, braucht mehr als gute Vorhersagen.
In dieser Folge geht es um Confounder, Spurious Correlations und
die Frage, wann Machine Learning kausale Einsichten liefern kann.
Mit dabei: DoubleML als Brücke zwischen klassischer Statistik und
Machine Learning.


 


**Zusammenfassung**


Unterscheidung zwischen Vorhersage und Intervention: Nur
Kausalität beantwortet die "Was-wäre-wenn?"-Frage

Praxisbeispiele: Bugs & Discounts, Eiskonsum &
Kriminalität, Salzgehalt & Flussmenge

Wichtig: Confounder identifizieren und herausrechnen, z. B.
durch Zeitreihenzerlegung

Einführung in Double ML: ML-Modelle für Response und
Treatment, Effektschätzung über Residuen

Herausforderungen: Overfitting-Bias, Regularisierung,
verzerrte Effekte bei hoher Komplexität

Alternativen & Ergänzungen: A/B-Tests, strukturelle
Gleichungsmodelle, Kausaldiagramme

Fazit: Vorsicht bei Spurious Correlations,
Ceteris-paribus-Fallen und Feature-Interpretation - Kausalität
braucht Kontext und Methode



**Links**


Blogartikel von Scott Lundberg: Be Careful When Interpreting
Predictive Models in Search of Causal Insights
https://medium.com/data-science/be-careful-when-interpreting-predictive-models-in-search-of-causal-insights-e68626e664b6

ICECREAM-Datensatz (verfügbar über das tsapp R-Paket):
https://search.r-project.org/CRAN/refmans/tsapp/html/ICECREAM.html

Victor Chernozhukov et al. (2018): Double/debiased machine
learning for treatment and structural parameters, The
Econometrics Journal, Volume 21, Issue 1
https://doi.org/10.1111/ectj.12097

Matheus Facure Alves (2022): Causal Inference for The Brave
and True (kostenfreies Online-Buch)
https://matheusfacure.github.io/python-causality-handbook/landing-page.html

DoubleML (Python & R):
https://docs.doubleml.org/stable/index.html

EconML (Microsoft Research):
https://econml.azurewebsites.net/index.html

Causal ML (Uber Engineering):
https://causalml.readthedocs.io/en/latest/

Vortragsfolien von Prof. Dr. Steffen Wagner: "Navigating the
Ocean of Correlations to the Islands of Causality – Time Series
Analyses at its Best", gehalten bei der Machine Learning Week
München 2024 https://de.slideshare.net/secret/aArFURFQSBxrzB



 


Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de