Hauptinhalt

Kausale Inferenz und statistische Workflows

“Korrelation ist nicht gleich Kausalität.” Diesen Satz hören Studierende wohl in jeder Einführungsvorlesung. Doch statt formaler Methoden zur Rechtfertigung kausaler Schlüsse außerhalb des Experiments, besteht in der Psychologie häufig ein gewisses “Tabu“ kausaler Sprache. Wir forschen zu Methoden kausaler Inferenz, die es ermöglichen theoretische Annahmen transparent darzustellen und statistische Verfahren abzuleiten, die es ermöglichen kausale Schlussfolgerungen gegeben bestimmter Annahmen zu ziehen. Insbesondere beschäftigen wir uns damit, wie Ergebnisse aus verschiedenen Populationen oder Kulturen miteinander verglichen werden können und wie wir theoretische Modelle nutzen können, um statistische Auswertungen zu verbessern.

Bild eines computationalen Workflows für kulturelle Evolution, der abstrakte mit Real-world-Daten verbindet
Aus Deffner et al., 2024, Proceedings of the National Academy of Sciences, unter einer Creative Commons Attribution 4.0 International Lizenz
Pfeildiagramme zur Darstellung der Übertragbarkeit von kausalen Effekten auf Populationen
Aus Deffner et al., 2022, Advances in Methods and Practices in Psychological Science, unter einer Creative Commons Attribution 4.0 International Lizenz

Literatur

  • Deffner, D., Fedorova, N., Andrews, J. & McElreath, R. (2024). Bridging theory and data: A computational workflow for cultural evolution. Proceedings of the National Academy of Sciences, 121(48).
  • Sterner, P., Pargent, F., Deffner, D. & Goretzko, D. (2024). A Causal Framework for the Comparability of Latent Variables. Structural Equation Modeling, 1-12.
  • Deffner, D., Rohrer, J.M & McElreath, R. (2022). A causal framework for cross-cultural generalizability. Advances in Methods and Practices in Psychological Science, 5(3).