Korrelation und Ursache-Wirkungs-Beziehungen

Korrelation und Ursache-Wirkungs-Beziehungen

Die Korrelation erfasst die gemeinsamen Veränderungen der Variablen. Kausalität beantwortet die Frage: Was passiert, wenn wir eingreifen? In Analytik, Produkt- und Risikomanagement ist es der kausale Effekt, der den Wert bringt: Er ermöglicht es Ihnen, das Inkrement einer Entscheidung zu bewerten und nicht nur die Assoziation.

1) Grundbegriffe

Korrelation (Assoziation): statistischer Zusammenhang ohne Interpretation des „Warum“. Kann durch eine gemeinsame Ursache, umgekehrte Kausalität oder Zufall verursacht werden.
Kausaler Effekt: Der erwartete Unterschied zwischen der Welt „mit Intervention“ und „ohne Intervention“.
Der Kontrafakt: die unmögliche Beobachtung, „was ohne die Einwirkung mit demselben Objekt geschehen würde“.
Konfounder: Eine Variable, die sowohl die Ursache als auch das Ergebnis beeinflusst → schafft eine falsche Verbindung.
Collider: eine Variable, die sowohl von der Ursache als auch vom Ergebnis beeinflusst wird; Bedingung auf Collider verzerrt die Assoziation.
Simpson-Paradoxon: Die Richtung des Effekts ändert sich nach Berücksichtigung der versteckten Variable/des Segments.

2) Wann die Korrelation ausreicht und wann nicht

Deskriptive Analytik, Monitoring, EDA: Korrelationen/Ränge/Heatmap → Hypothesen und Risiken erkennen.
Entscheidungsfindung und Einflussabschätzung: Kausale Methoden (Experimente oder Quasi-Experimente) sind erforderlich.
Prognosemodelle: Korrelationen sind nützlich, aber für ROIs/Richtlinien ist der Übergang zu kausalen Schätzungen oder Uplift-Modellen.

3) Experimente: der Goldstandard

A/B-Tests (Randomisierung): eliminieren Confaunding, machen Gruppen vergleichbar.
Guardrails: Dauer ≥ einem Verhaltenszyklus, stabile Exposition, Kontrolle der Saisonalität und Interferenz (Spillover).
Metriken: Effekt, Konfidenzintervalle, MDE/Leistung, Heterogenität des Effekts nach Segmenten (Heterogeneous Treatment Effect).
Praxis: Kanarienfreigaben, stufenweise Rollout, CUPED/Covariate Control zur Reduzierung der Varianz.

4) Wenn ein Experiment nicht möglich ist: Quasi-Experimente

Difference-in-Differences (DiD): Unterschied der Vorher/Nachher-Änderungen zwischen „Test“ und „Kontrolle“. Eine Schlüsselannahme sind parallele Trends vor der Intervention.
Synthetische Kontrolle: Wir bauen eine „synthetische“ Kontrolle als gewichtete Mischung von Spendergruppen. Resistent gegen unterschiedliche Trenddynamiken.
Regression Discontinuity (RDD): Schwellenwertregel für die Belichtungszuweisung; Vergleich auf beiden Seiten der Schwelle. Wichtig: keine „Manipulation“ der Schwelle.
Instrumentelle Variablen (IV): Die Variable beeinflusst die „Behandlung“, beeinflusst aber nicht direkt das Ergebnis (außer durch die Behandlung). Erforderlich: Relevanz und Gültigkeit des Instruments.
Matching (PSM/Matching): Test und Kontrolle mit ähnlichen Kovariaten; nützlich als Vorverarbeitung, beseitigt aber nicht versteckte Konfounder.
Interrupted Time Series (ITS): Schätzung des Trendbruchs zum Zeitpunkt der Politik in Abwesenheit anderer Schocks.

5) Causal Graphs und Kriterien für „Löcher“

DAG (Oriented Acyclic Graph): visuelle Karte der kausalen Beziehungen. Hilft bei der Auswahl, welche Variablen überwacht werden sollen.
Rücktürkriterium: Wir blockieren alle hinteren Pfade (Konfounder) - wir erhalten eine unverstellte Bewertung des Effekts.
Front-Tür-Kritik: Wir verwenden einen Mediator, der vollständig einflussreich ist, um versteckte Konfounder zu umgehen.
Kontrollieren Sie nicht die Collider und Kinder des Ergebnisses: Dies erzeugt Verschiebungen.
Praxis: Zuerst zeichnen wir DAGs mit Domain-Experten, dann wählen wir einen minimalen Satz von Kovariaten.

6) Mögliche Ergebnisse und Bewertung der Wirkung

ATE/ATT/ATC: mittlere Wirkung über alle/verarbeiteten/Kontrollen.
CATE/HTE: Effekt nach Segmenten (Land, Kanal, Risikoklasse).
Uplift-Modellierung: Wir lehren das Modell, Objekte nach dem erwarteten Anstieg der Intervention und nicht nach der ursprünglichen Wahrscheinlichkeit des Ereignisses zu ordnen.

7) Häufige Fallen

Umgekehrte Kausalität: „Steigende Rabatte ↔ sinkende Nachfrage“ - Rabatte reagieren auf einen Rückgang und nicht umgekehrt.
Übersprungene Variablen: nicht gemeldete Bestände/Saisonalität/regionale Veränderungen.
Überlebende (survivorship bias): Analyse nur der „Verbliebenen“.
Leakage: Nutzung zukünftiger Informationen im Training/Assessment.
Metrikmix: Optimierung von Proxy-Metriken statt Business-Effekt (Goodhart).
Regression zum Durchschnitt: Natürliche Trendrückführungen verschleiern „Effekte“.

8) Kausalität in Produkt, Marketing und Risiken

Marketing/Kampagnen: Uplift-Targeting, differenzierte Kontaktfrequenzen, kausale LTV-Auswertungen, ROMI nach DiD/synthetischer Steuerung.
Pricing/Promo: RDD (threshold rules), Experimente an einer Stichprobe von SKUs/Regionen.
Empfehlungen: Off-Policy-Bewertung (IPS/DR) und Bandits; Berücksichtigung von Interferenzen.
Anti-Fraud/RG-Politik: Vorsicht bei Kausalität - Sperren verändern Verhalten und Daten; Verwenden Sie Quasi-Experimente und Guardrails für FPR und Appelle.
Operations Management: ITS für Freigaben und Incidents; kausale Graphen für RCA.

9) Analyseverfahren: Von der Hypothese zur Lösung

1. Formulieren Sie die Frage als kausal: „Was ist der Effekt von X auf Y in Horizont T?“

2. DAG zeichnen: mit der Domäne abstimmen, Konfounder/Mediatoren/Collider markieren.
3. Wählen Sie das Design: RCT/A-B, DiD, RDD, IV, synthetische Steuerung, passendes.
4. Definieren Sie Metriken: Kern (Wirkung), guardrails (Qualität/Ethik/Operationen), CATE-Segmente.
5. Bereiten Sie Daten vor: Point-in-Time, Kovariaten „vor“ Auswirkungen, Kalender und Saisonalität.
6. Abschätzung der Wirkung: Basismodelle + Robust-Checks (Placebo-Tests, Sensitivität).
7. Prüfen Sie Nachhaltigkeit: alternative Spezifikationen, Ausschluss verdächtiger Kovariaten, Leave-One-Out.
8. In Aktion übersetzen: Politik/Rollout, SLO, Überwachung und Retest beim Driften.

10) Robast Praktiken und Verifikation

Pre-Trend-Checks (für DiD): Test-/Kontrolltrends sind vor der Intervention ähnlich.
Placebo/Permutationen: „fiktive Termine“ oder „fiktive Gruppen“ - der Effekt soll verschwinden.
Sensitivitätsanalyse: Wie sehr ein versteckter Konfounder das Ergebnis verzerrt.
Bounds/Pi-Intervalle: teilweise identifizierbare Modelle → Vertrauensgrenzen.
Mehrfachprüfung: Anpassungen (BH/Holm) an mehreren Segmenten.
Externe Gültigkeit: Übertragbarkeit des Effekts auf andere Märkte/Kanäle (Meta-Analyse).

11) Metriken für die Berichterstattung über Effekte

Absoluter Effekt: Δ in Einheiten (p.p., u.e., Minuten).
Relativer Effekt:% zur Basislinie.
NNT/NNH: Wie viele Objekte müssen verarbeitet werden, um ein einzelnes Ergebnis/Schaden zu erreichen.
Cost-Effectiveness: Wirkung/Kosten; Prioritäten der Haushalte.
Uplift @ k/Qini/AUUC: für gezielte Interventionen.

12) Kausalität in der ML-Praxis

Causal Features: Verbessern nicht immer die Prognosegenauigkeit, sind aber für Richtlinien besser geeignet.
Causal Forest/Meta-Learners (T/X/S-Learner): Bewertung von CATE und Personal Uplift.
Counterfactual fairness: Fairness der Modelle unter Berücksichtigung der kausalen Wege; Blockierung „ungerechter“ Wege.
Do-op vs predict: Unterscheiden Sie zwischen „vorhersagen“ und „was tun, wenn“. Für die zweite benötigen Sie kausale Modelle/Emulatoren.

13) Kausale Analyse Checkliste

• Die Frage ist als Interventions-/Politikeffekt formuliert
• Gebaut und vereinbart von der DAG; Minimalsatz von Kovariaten (Back-Door) ausgewählt
• Design ausgewählt (RCT/Quasi-Experiment) und Schlüsselannahmen überprüft
• Point-in-Time-Daten; Licks sind ausgeschlossen; Kalender/Saisonalität berücksichtigt
• Wirkung und Konfidenzintervalle werden berechnet; Robast-Kontrollen durchgeführt
• Bewertung der Effekthomogenität (CATE) und der Risiken (guardrails)
• Digitalisierter Wert (ROI, NNT/NNH, Fehlerkosten)
• Durchführungs- und Überwachungsplan; Wiederholungskriterien

14) Mini-Glossar

Back-door/Front-door: Auswahlkriterien für Kovariaten zur Identifizierung des Effekts.
IV (instrumentelle Variable): „Hebel“, der die Behandlung verändert, aber nicht das Ergebnis direkt.
DiD: Unterschied zwischen Vorher/Nachher-Änderungen zwischen Gruppen.
RDD: Bewertung des Effekts in der Nähe der Regelschwelle.
Synthetic Control: Kontrolle als gewichtete Spenderkombination.
HTE/CATE: Heterogener/bedingter Effekt nach Segmenten.
Uplift: erwarteter Anstieg durch Exposition, nicht die Wahrscheinlichkeit eines Ereignisses.

Ergebnis

Korrelationen helfen, Hypothesen zu finden, Kausalität hilft, Entscheidungen zu treffen. Bauen Sie eine DAG auf, wählen Sie ein passendes Design (Experiment oder Quasi-Experiment), testen Sie Annahmen und Nachhaltigkeit, messen Sie heterogene Effekte und übersetzen Sie Schlussfolgerungen mit Guardrails und Monitoring in die Politik. So hört die Analytik auf, „über Verbindungen“ zu sein und wird zum Motor der Veränderung.