Was ist umgekehrte Kausalität? Definition und Beispiele • BUOM

6. Juli 2021

Umkehrkausalität ist ein Prozess, bei dem das Ergebnis der Ursache vorausgeht. Dies steht im Gegensatz zur traditionellen Ursache-Wirkungs-Beziehung zwischen zwei Variablen und kann Phänomene in verschiedenen Branchen beschreiben. Das Studium der umgekehrten Kausalität kann Ihnen helfen, die Beziehung zwischen zwei Variablen zu bewerten und besser zu verstehen, was vor sich geht. In diesem Artikel definieren wir, was Rückwärtskausalität ist, vergleichen sie mit Gleichzeitigkeit, untersuchen einige Bereiche, in denen Rückwärtskausalität verwendet wird, und geben einige Beispiele.

Was ist umgekehrte Kausalität?

Umkehrkausalität oder umgekehrte Kausalität ist ein sozialer Prozess, bei dem eine Ursache in der entgegengesetzten Reihenfolge auftritt als erwartet. Anstatt dass X Y verursacht, wie in der traditionellen Kausalität, verursacht Y X.

Forscher gehen beispielsweise davon aus, dass Menschen mit einem hohen Body-Mass-Index (BMI) eher an Depressionen leiden, obwohl sie tatsächlich feststellen, dass Depressionen zu einem hohen BMI führen. Bei umgekehrter Kausalität geht das Ergebnis der Ursache voraus oder die abhängige Variable geht dem Regressor voraus. Dies widerspricht dem Fluss der traditionellen Kausalität. Fachleute können mithilfe der umgekehrten Kausalität erklären, wann ihrer Meinung nach ein Zustand oder ein Ereignis die Ursache eines Phänomens ist.

Beispiele für umgekehrte Kausalität

Hier sind einige Beispiele für umgekehrte Kausalität:

Beispiel 1

Jennas Großvater hatte kürzlich einen Herzinfarkt. Als Jenna zur Untersuchung zum Arzt ging, erfuhr sie, dass sie aufgrund ihrer Familiengeschichte möglicherweise einem höheren Risiko für einen Herzinfarkt ausgesetzt ist. Jenna reduziert den Verzehr von Nahrungsmitteln mit hohem Cholesterin- und gesättigten Fettgehalt, um ihr Herz gesund zu halten. Sie beginnt auch, Cardio-Training in ihren Alltag zu integrieren.

Obwohl Jenna einen gesunden Lebensstil führt, ist die Wahrscheinlichkeit, einen Herzinfarkt zu erleiden, höher. Dies zeigt, dass ihre Ernährung und Bewegung keinen Einfluss auf den Herzinfarkt haben, da der Herzinfarkt den Ursachen vorausgeht.

Beispiel 2

Lisette ist neugierig, ob die Klassengröße Einfluss darauf hat, wie gut Schüler lernen. Sie führt Beobachtungsstudien in mehreren Schulen ihrer Gemeinde durch. Als sie eine Schule mit weniger als 15 Kindern besucht, stellt sie fest, dass die Schüler tendenziell mehr Einsen bekommen. Lisette weist darauf hin, dass Schulen mit etwa 25 Kindern in einer Klasse tendenziell weniger Einsen bekommen als Schulen mit kleineren Klassen.

Allerdings weist Lisette auch darauf hin, dass eine Schule mit kleineren Klassengrößen einen höheren Ruf genießt als Schulen mit größeren Klassengrößen und dass kluge Eltern ihre Kinder in der Regel dorthin schicken. Basierend auf ihrer Forschung kann Lisette zu dem Schluss kommen, dass intelligentere Schüler Schulen mit kleineren Klassengrößen besuchen und nicht kleine Klassen, die die Schüler intelligenter machen.

Beispiel 3

Stephen prognostiziert, dass Jurastudenten, die zwei bis drei Tassen Kaffee pro Tag trinken, wahrscheinlich mehr Angst verspüren als diejenigen, die keine oder eine Tasse Kaffee pro Tag trinken. Er führt ein Experiment durch, bei dem er einen Monat lang Jurastudenten und ihre Kaffeetrinkgewohnheiten untersucht. In dieser Studie ist Variable X Kaffee und Variable Y Angst, da Steven vorhersagt, dass Kaffee Angst verursacht.

Nach Abschluss seiner Recherche entdeckt Stephen, dass die Variablen tatsächlich umgekehrt sind. Er fand heraus, dass diejenigen, die unter Angstzuständen leiden, als Bewältigungsmechanismus eher mehr Kaffee trinken als Kaffee, der ein Risikofaktor für Angstzustände ist. Das bedeutet, dass die Variable Y, Angst, der Variablen X, Kaffee, vorausgeht.

Umgekehrte Kausalität versus Gleichzeitigkeit

Obwohl umgekehrte Kausalität und Gleichzeitigkeit ähnliche Definitionen haben, sind die beiden Begriffe nicht identisch. Bei umgekehrter Kausalität bewirkt nur Y eine Verhaltensänderung. Gleichzeitigkeit liegt jedoch dann vor, wenn sich Variablen auf beiden Seiten der Modellgleichung gleichzeitig gegenseitig beeinflussen. Hier bewirkt X eine Änderung von Y und Y eine Änderung von X. Gleichzeitig bewegt sich der Fluss von rechts nach links (X nach Y) und von links nach rechts (Y nach Rechts. nach rechts (von Y nach X). Gleichzeitigkeit tritt in Settings mit gemeinsam bestimmten Variablen auf.

Der „Matthew-Effekt“ ist ein typisches Beispiel für Gleichzeitigkeit. Dies ist die Überzeugung, dass Intellektuelle mit hohem Status tendenziell mehr Anerkennung für ähnliche Leistungen erhalten als Personen mit niedrigerem Status. Ein hoher Intelligenzstatus führt dazu, dass sie mehr Belohnungen erhalten als diejenigen mit einem niedrigeren Status. Dadurch erhöht sich ein hoher Status und der Zyklus der Vorteile setzt sich fort, was zu mehr Belohnungen führt.

In welchen Bereichen wird die umgekehrte Kausalität verwendet?

Einige Bereiche, in denen Ursache und Wirkung in ihrer Arbeit zum Einsatz kommen, sind:

• Psychologie: Psychologen gehen möglicherweise davon aus, dass bestimmte Verhaltensweisen, wie etwa der Drogenkonsum, psychische Gesundheitsprobleme verursachen, obwohl der Drogenkonsum eine Folge der psychischen Gesundheitsprobleme der Person ist.

• Statistik: Statistiker nutzen die umgekehrte Kausalität, um Ergebnisse zu verstehen, die ein bestimmtes Ereignis verursachen können, indem sie die lineare Korrelation messen.

• Wirtschaftswissenschaften: Die umgekehrte Kausalität hilft Ökonomen dabei, die Wahrscheinlichkeit zu bestimmen, dass eine finanzielle Situation, beispielsweise eine hohe Kreditwürdigkeit, zu einer Handlung, beispielsweise einer Haftung, führt, die möglicherweise das Gegenteil von dem ist, was sie erwartet haben.

• Physik: In der Physik nutzen Wissenschaftler die umgekehrte Kausalität, um herauszufinden, ob die Zukunft die Gegenwart auf die gleiche Weise beeinflussen kann, wie die Gegenwart die Zukunft beeinflusst.

• Epidemiologie: Epidemiologen oder diejenigen, die Krankheiten untersuchen, können auf eine umgekehrte Kausalität stoßen, wenn sie entdecken, dass eine Exposition einen Risikofaktor verursacht hat und nicht der Risikofaktor selbst, der die Exposition verursacht hat.

Wie kann man feststellen, ob eine Beziehung zwischen zwei Variablen auf Zufall beruht?

Um festzustellen, ob zwei Variablen kausal sind, verwenden Sie Bradford-Hill-Tests. Dies ist eine Liste von Standards, die 1965 vom Statistiker Bradford Hill zusammengestellt wurde, um ungezwungene Beziehungen zu validieren. Wenn Sie wissen, ob zwei Variablen zufällig sind, können Sie feststellen, ob es sich bei der Beziehung möglicherweise um eine umgekehrte Kausalität handelt. Zu den Bradford Hill-Kriterien gehören die folgenden Merkmale:

Stärke

Die Bestimmung des Ausmaßes des Risikos oder der Stärke des Zusammenhangs zwischen Ihrem Risikofaktor und dem Ergebnis kann Ihnen bei der Entscheidung helfen, ob eine lockere Beziehung vorliegt. Lässige Beziehungen haben starke Verbindungen. Sie können die Korrelationskoeffizientenformel verwenden, eine statistische Methode zur Messung der Stärke der Beziehung zwischen zwei Variablen, um zu sehen, wie stark Ihre Beziehung ist.

Folge

Ein weiteres Element einer lockeren Beziehung ist Beständigkeit. Überprüfen Sie, ob in verschiedenen Populationen dieselben Ergebnisse gefunden wurden, was beweist, dass X Y verursacht. Wenn mehrere zu unterschiedlichen Zeiten durchgeführte Studien dieselben Ergebnisse zeigen, handelt es sich wahrscheinlich um einen Ursache-Wirkungs-Zusammenhang.

Besonderheiten

Eine Ursache liegt vor, wenn es an einem bestimmten Ort eine ganz bestimmte Bevölkerung gibt oder an einer bestimmten Krankheit leidet und keine andere Erklärung wahrscheinlich erscheint. Prüfen Sie, ob eine Eins-zu-eins-Beziehung zwischen Exposition und Ergebnis besteht. Das Vorhandensein von Beweisen für eine bestimmte Ursache ist ein Hinweis darauf, dass die Assoziation zufällig ist, was jedoch nicht immer bei jeder zufälligen Assoziation der Fall sein muss.

Zeitsequenz

Mithilfe der Reihenfolge können Sie herausfinden, ob zwei Variablen zufällig sind. Wenn die Wirkung vor der Ursache auftritt, können wir daraus schließen, dass es sich um eine umgekehrte Ursache-Wirkungs-Beziehung handelt. Um die Möglichkeit auszuschließen, dass es sich bei den Variablen um eine umgekehrte Ursache handelt, prüfen Sie, ob die Exposition dem Ergebnis vorausgeht.

Biologischer Gradient

Ein biologischer Gradient bedeutet, dass eine größere Exposition typischerweise dazu führt, dass ein Effekt häufiger auftritt. Ein Beispiel hierfür ist die Dosis-Wirkungs-Beziehung. Dabei erfolgt die eigentliche Reaktion, die mit dem Ausbruch der Krankheit einhergeht, während der Verabreichung der Dosis.

Glaubwürdigkeit

Um festzustellen, ob eine Ursache-Wirkungs-Beziehung besteht, prüfen Sie, ob es eine vernünftige Erklärung für die Beziehung zwischen zwei Variablen gibt. Eine lockere Beziehung ist wahrscheinlich, wenn die Beziehung durch einen biologischen Mechanismus, beispielsweise ein soziales Modell, erklärt wird. Finden Sie heraus, ob es eine biologische Erklärung dafür gibt, warum Ursache Wirkung erzeugt.

Konsistenz

Kohärenz oder das Merkmal von Konsistenz und Konsistenz ist ein weiteres Attribut, das bewertet werden muss. Dieses Attribut prüft, ob eine Ursache-Wirkungs-Beziehung besteht. Wenn die Beziehung mit dem aktuellen Wissen über den natürlichen Verlauf oder die Biologie des Ergebnisses übereinstimmt, ist die Wirkung möglicherweise wahrscheinlicher. Da Sie jedoch möglicherweise nicht viele Informationen über die Variablen haben, haben Sie möglicherweise nichts zum Vergleichen.

Experiment

Eine andere Möglichkeit, festzustellen, ob eine Beziehung kausal ist, besteht darin, zu prüfen, ob es konsistente experimentelle Beweise gibt. Da Sie andere Variablen im Experiment steuern können, können Sie sehen, ob die Beziehung zwischen den von Ihnen ausgewählten Variablen tatsächlich eine Ursache-Wirkungs-Beziehung ist. Durch Entfernen der Belichtung können Sie die Häufigkeit des Ergebnisses ändern.

9. Analogie

Mithilfe von Analogien oder Ähnlichkeiten können Sie erkennen, ob eine Assoziation anderen Assoziationen ähnlich ist. Wenn Sie sich andere Ursache-Wirkungs-Beziehungen ansehen, können Sie erkennen, ob diese Beziehungen ähnliche Merkmale aufweisen. Wenn Sie beispielsweise die Wirkung eines bestimmten Medikaments kennen, können Sie einen Ursache-Wirkungs-Zusammenhang für ein ähnliches Medikament vorhersagen. Dadurch können Sie davon ausgehen, dass Ihre Ursache zu demselben Ergebnis führen kann, wenn ähnliche Bedingungen wie die Ursache zu Ihrem Ergebnis führen.