Kausale Inferenz

Wenn zwei Dinge gleichzeitig auftreten, bedeutet das noch nicht, dass eines das andere verursacht. In Ländern mit mehr Schokoladenkonsum gibt es mehr Nobelpreisträger — das ist kein Zufall, aber auch keine Erklärung. Beides hängt vermutlich mit Wohlstand zusammen, nicht miteinander. Kausale Inferenz ist das Werkzeug, um solche Scheinzusammenhänge zu enttarnen und echte Ursachen zu finden. Sie fragt: Was würde passieren, wenn man gezielt in ein System eingreift? Damit geht sie deutlich weiter als die bloße Beobachtung von Mustern in Daten.

Korrelation und Kausalität — der entscheidende Unterschied

Herkömmliche Datenanalyse zeigt Korrelationen: zwei Größen, die sich gemeinsam verändern. Verkauft eine App im Sommer mehr In-App-Käufe, wenn die Temperaturen steigen? Das ist eine Korrelation. Ob die Hitze die Käufe auslöst oder ob mehr Freizeit im Sommer die Ursache ist, verrät die Korrelation allein nicht.

Für Unternehmen, Ärzte und politische Entscheider ist das ein echtes Problem. Wer nur Korrelationen kennt, kann falsche Schlüsse ziehen — und dann an der falschen Stelle eingreifen. Eine Pharmafirma, die nur beobachtet, dass Patienten, die ein Medikament nehmen, schneller gesunden, übersieht vielleicht, dass diese Patienten ohnehin jünger und gesünder waren. Kausale Inferenz liefert Methoden, um genau diese Verwechslung zu vermeiden.

Interventionen, Gegenszenarien und Kontrollgruppen

Das sauberste Werkzeug der kausalen Inferenz ist das randomisierte kontrollierte Experiment, oft als A/B-Test bekannt. Man teilt eine Gruppe zufällig in zwei Hälften. Eine Hälfte erhält eine Behandlung oder Änderung, die andere nicht. Weil die Zuteilung zufällig ist, sind alle anderen Unterschiede zwischen den Gruppen im Schnitt ausgeglichen. Was am Ende noch als Unterschied übrig bleibt, muss an der Behandlung liegen.

Oft ist ein solches Experiment aber nicht möglich — aus ethischen, praktischen oder finanziellen Gründen. Dann kommen mathematische Modelle ins Spiel. Ein zentrales Konzept dabei ist das Gegenszenario, auf Englisch „counterfactual“: Was wäre passiert, wenn die Ursache nicht eingetreten wäre? Ein Patient hat das Medikament genommen und ist gesund geworden — aber was wäre ohne Medikament passiert? Diesen zweiten Verlauf kann man nicht direkt beobachten, aber mit Modellen abschätzen.

Eine weitere Technik heißt Instrumentalvariablen-Methode. Dabei sucht man nach einem Faktor, der die mutmaßliche Ursache beeinflusst, aber nicht direkt auf das Ergebnis wirkt. Solche Umwege erlauben es, Kausalität auch aus reinen Beobachtungsdaten herauszurechnen — vorausgesetzt, man findet den richtigen Umweg.

Kausale Inferenz in KI, Medizin und Politik

In der Medizin ist kausale Inferenz der Standard für die Zulassung von Medikamenten. Klinische Studien sind nichts anderes als groß angelegte randomisierte Experimente. Sie sollen sicherstellen, dass ein Wirkstoff tatsächlich hilft — und nicht nur bei Patienten eingesetzt wird, die ohnehin auf dem Weg der Besserung waren.

In der KI-Forschung gewinnt das Thema stark an Bedeutung. Klassische Sprachmodelle und Bilderkennungssysteme sind gut darin, Muster zu erkennen. Sie können aber keine Ursachen verstehen — sie wissen nicht, warum etwas passiert, nur dass es oft zusammen vorkommt. Forscher wie der Turing-Preisträger Judea Pearl argumentieren seit Jahren, dass echte Intelligenz erst dann entsteht, wenn Systeme kausal denken können: nicht nur beobachten, sondern vorhersagen, was bei einem gezielten Eingriff passiert.

In der Wirtschaftspolitik wurde kausale Inferenz durch die Nobelpreisträger 2021 — Angrist, Card und Imbens — einer breiteren Öffentlichkeit bekannt. Sie entwickelten Methoden, um aus natürlichen Zufällen in der Realität Kausalschlüsse zu ziehen. Beispielsweise nutzte David Card unterschiedliche Mindestlohngesetze in benachbarten US-Bundesstaaten als natürliches Experiment, um den echten Effekt des Mindestlohns auf die Beschäftigung zu messen.