by Kausalitet — en crash course Yours truly har under några år hållit i en kurs för forskare på Malmö universitet kring kausalitet. Den som är intresserad kan ta del av kursens powerpoint här: Kausalitet — en crash course Många frågeställningar inom samhällsvetenskapen idag handlar i grunden om frågor angående kausalitet. Vad ligger bakom den ökade arbetslösheten? Vilka effekter har friskolorna på elevernas betyg? Men även inom politiken förekommer frågor om orsaker och effekter. Vilka insatser behövs för att få bukt med den ökade inflationen? Vilka konsekvenser har covid-19 epidemin haft på folkhälsan? Svaren på den typen av frågor förutsätter kausala resonemang. Sedan mitten av 1900-talet har man i allt större utsträckning diskuterat kausalitet i termer
Topics:
Lars Pålsson Syll considers the following as important: Theory of Science & Methodology
This could be interesting, too:
Lars Pålsson Syll writes Randomization and causal claims
Lars Pålsson Syll writes Race and sex as causes
Lars Pålsson Syll writes Randomization — a philosophical device gone astray
Lars Pålsson Syll writes Keynes on the importance of ‘causal spread’
Kausalitet — en crash course
Yours truly har under några år hållit i en kurs för forskare på Malmö universitet kring kausalitet. Den som är intresserad kan ta del av kursens powerpoint här: Kausalitet — en crash course
Många frågeställningar inom samhällsvetenskapen idag handlar i grunden om frågor angående kausalitet. Vad ligger bakom den ökade arbetslösheten? Vilka effekter har friskolorna på elevernas betyg?
Men även inom politiken förekommer frågor om orsaker och effekter. Vilka insatser behövs för att få bukt med den ökade inflationen? Vilka konsekvenser har covid-19 epidemin haft på folkhälsan? Svaren på den typen av frågor förutsätter kausala resonemang.
Sedan mitten av 1900-talet har man i allt större utsträckning diskuterat kausalitet i termer av sannolikhet. Med traditionella statistiska metoder kan vi få fram korrelationer och deskriptiva mått på hur dessa ser ut (statistisk signifikans, robusthet, sensitivitet, etc), men ofta vill vi som forskare (och beslutsfattare) gå längre än så och också försöka finna kausala mekanismer och relationer som kan förklara föreliggande korrelationer och göra det möjligt att, exempelvis, via aktivt användande av manipulationer/interventioner utröna kausala effekter av olika åtgärdspaket och policyer.
I forskarvärlden har det numera blivit ytterst viktigt — inte minst för erhållande av forskningsmedel — att använda forskningsdesigner med högt ‘evidensvärde’. Och genomgående grundar sig evidenshierarkierna på graden av kausal kunskap som olika forskningsstrategier resulterar i (här har inte minst debatten kring randomiserade kontrollstudier (RCTs) och metaanalyser spelat stor roll).
Kursen presenterar grundläggande teorier och modeller för kausal inferens och att beskriva och visa hur man kan använda de vanligast förekommande och mest populära metoderna för kausal inferens inom främst samhällsvetenskaperna.
I del 1 presenteras olika försök som över tiden gjorts för att definiera kausalitet och spåra effekter av insatser/interventioner på olika områden. Här diskuteras också olika idag mer eller mindre populära teorier om kausalitet som tar sin utgångspunkt i begrepp och modeller om sannolikhet, mekanismer, kontrafakticitet, manipulerbarhet, etc.
I del 2 ligger fokus på kopplingen mellan kausalitet och sannolikhet. En vanlig tanke i flera av de presenterade teorierna är att kausalitet handlar om att en händelse (orsak) förändrar sannolikheten för en annan händelse (effekt). Den traditionella regressionsanalysen har vad gäller förmågan att leverera kausala samband och förklaringar alltmer kommit att ifrågasättas. Grafteori (DAGs), Neyman-Rubin’s ‘potential outcomes’ teori och Judea Pearl’s ‘do-calculus’ är några exempel på teorier som idag presenteras som bättre alternativ. Föreläsningen tar upp en kritisk diskussion om och i vilken utsträckning så är fallet.
I del 3 diskuteras de landvinningar inom Machine Learning, Big Data och AI som på senare år hävdats göra det möjligt att inte bara som tidigare via experimentella randomiseringsstudier kunna utröna kausalitet, utan att också utifrån observationsdata med mer eller mindre rimliga antaganden kunna detektera och fastslå kausala orsakskedjor. Här tas självklart också gränserna för de evidensbaserade metoderna upp till diskussion. Även om man inte — som numera betraktas som den självklara ‘gold standard’ — använder experiment- och randomiseringsstrategier, kan man klart argumentera för att goda belägg kan anföras för de kunskapsanspråk vi reser med andra metoder (fältstudier, fallstudier, ‘naturliga experiment’, ‘kvasi-experiment’, etc). Inte minst utifrån frågor om extern validitet och generaliserbarhet är det viktigt att kritiskt värdera de evidenshierarkier som råder idag inom forskarvärlden.