Home

In den vergangenen Jahrzehnten galt das Augenmerk der Analyse kausaler Effekte vorwiegend den durchschnittlichen kausalen (totalen) Effekten. Dies ist für Fragen der (durchschnittlichen) Effektivität von Behandlungen in einer Population und/oder Fragen nach den (totalen) Effekten bei einer "durchschnittlichen Person" oder besser, einer "zufällig gezogenen Person", auch angemessen. Für die wissenschaftliche Erkenntnis informativer sind aber bedingte totale und direkte Effekte einer Behandlung, Intervention oder Exposition (MacKinnon, 2008).

Bei bedingten totalen Effekten betrachten wir die Effekte einer Behandlung auf eine Outcome-Variable bei einer bestimmten Ausprägung einer oder mehrerer Kovariaten Z. Eine solche Kovariate kann z.B. das "Geschlecht" der Person repräsentieren, die "Diagnosegruppe", die "Schwere der Symptomatik" vor der Behandlung oder auch die "Bereitschaft zur Verhaltensänderung", um nur einige Beispiele zu nennen. Diese bedingten totalen Effekte können durchaus für jeden Wert der betrachteten (uni- oder mehrdimensionalen) Kovariaten verschieden sein. Damit lässt sich also die Frage beantworten, bei welchen Personengruppen welche Behandlung im Durchschnitt wie stark wirkt. Das schließt auch die Frage ein, ob es Personengruppen gibt, bei denen Effekte negativ sind. Im Klinischen Bereich geht es also z.B. um die Frage der Differenziellen Indikation einer Behandlung.

Während es bei den o.g. durchschnittlichen und bedingten totalen Effekten um die Gesamtwirkung einer Behandlung geht, fragen wir bei der Untersuchung direkter Effekte nach den Wirkungen der Behandlung, die nicht über eine zwischen Treatment- und Outcome-Variable liegende intermediäre Variable (oder potentielle Mediatorvariable) M vermittelt wird. Liegt bei Konstanthaltung von M auf einem ihrer Werte m, noch immer ein Behandlungseffekt vor? Und wie stark sind diese direkten Effekte? Wie bei den totalen Effekten können wir auch bei den direkten Effekten zwischen durchschnittlichen und bedingten Effekten unterscheiden. Dabei können wir auf M bedingen, aber auch auf eine Kovariate Z oder auf M und Z. Offenbar ist die Frage nach (durchschnittlichen und bedingten) direkten Effekten wesentlich, wenn man den kausalen Prozess verstehen will, der letztlich zu den oben angesprochenen totalen Behandlungseffekten führt. Daher lässt sich mit direkten Effekten also die Frage beantworten, bei welchen Personengruppen, welche Behandlung im Durchschnitt wie stark auf welche Weise wirkt. So kann man sich im Bereich der Schulforschung also fragen, ob eine Unterrichtsmaßnahme durch die Erhöhung der Motivation und den erhöhten Lernaufwand wirkt, oder ob ein festgestellter Lerneffekt nicht durch diese beiden Variablen vermittelt wird.

Die Frage nach den direkten kausalen Effekten einer Behandlung hat in den letzten Jahren auch dadurch an Brisanz gewonnen, weil gezeigt werden konnte, dass die bekannten pfadanalytischen Verfahren zur Analyse direkter und indirekter Effekte selbst im randomisierten Experiment zu systematisch falschen Ergebnissen führen. Das liegt daran, dass die durch die Randomisierung hergestellte Unabhängigkeit von Behandlungsvariable X und allen Kovariaten (allen Pre-Treatment-Variablen), welche die kausale Unverfälschtheit von Mittelwertsunterschieden impliziert, durch das Bedingen auf eine intermediäre Variable aufgehoben wird. Während im randomisierten Experiment z.B. die einfache (wahre oder Populations) Korrelation zwischen einer Behandlungsvariablen X und einer Kovariaten Z null beträgt, ist die partielle Korrelation zwischen X und Z durchaus von Null verschieden, wenn wir auf eine Mediatorvariable M bedingen. Wird eine Mediatorvariable M, wie z.B. die Motivation durch die Behandlung beeinflusst und liegt auch eine Korrelation mit der Prätest-Motivation M* vor, dann geht ein hoher Wert von M mit hohen Werten auf M* und auf X einher, ebenso wie ein niedriger Wert von M mit niedrigen Werten auf M* und X. Die im randomisierten Experiment hergestellte Unabhängigkeit von X und allen Kovariaten impliziert zwar die Unverfälschtheit der Mittelwertsunterschiede zwischen Behandlungsgruppen, nicht aber die Unverfälschtheit der pfadanalytischen "direkten Effekte" der Behandlungsvariablen X, wenn man nur die Variablen X, M, und Y in die Analyse einbezieht.

Literatur:

• Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.
• MacKinnon, D. P. (2008). Introduction to statistical mediation analysis. New York: Lawrence Erlbaum.

Die Fachkonferenz knüpfte an drei sehr erfolgreiche Vorläuferkonferenzen an: im Jahr 2006 unter dem Motto "Analyse kausaler Effekte in experimentellen und quasi-experimentellen Designs", im Jahr 2008 unter dem Motto "Kausale Effekte - Design und Analyse" und im Jahre 2010 mit dem Motto "Causality in Educational Research". Die Vorgängerkonferenzen fokussierten vor allem auf theoretische Aspekte der Theorie kausaler Effekte bzw. deren Anwendung im Bereich der Erziehungswissenschaften. Die Fachkonferenz "Conditional and Direct Causal Effects" hat diese Tradition beibehalten, sich im Vergleich zu den Vorgängerkonferenzen aber vor allem den Fragen bedingter und direkter Effekte widmen. Durch die Einladung international führender Forscher sollte dazu beigetragen werden, dass sowohl die methodische Forschung als auch die inhaltliche Forschung in verschiedenen Disziplinen Impulse für ihre Weiterentwicklungen erhalten.