Hvorfor kausalitet er viktig

I empirisk økonomi er det sjelden nok å dokumentere at to variabler henger sammen (korrelasjon). Vi ønsker å vite om en endring i $X$ faktisk forårsaker en endring i $Y$. Denne distinksjonen er avgjørende for å gi gode politikkanbefalinger og forretningsbeslutninger.

Det kontrafaktiske rammeverket

For hvert individ $i$ definerer vi to potensielle utfall:

$Y_i(1)$: utfallet dersom individet mottar behandling ($D_i = 1$)
$Y_i(0)$: utfallet dersom individet ikke mottar behandling ($D_i = 0$)

Den individuelle behandlingseffekten er $\tau_i = Y_i(1) - Y_i(0)$. Men vi kan aldri observere begge utfall for samme individ — dette er det fundamentale problemet med kausal inferens.

Sentrale kausalitetsbegreper:

ATE (Average Treatment Effect): $\tau = E[Y_i(1) - Y_i(0)]$

ATT (Average Treatment Effect on the Treated): $\tau_{ATT} = E[Y_i(1) - Y_i(0) | D_i = 1]$

Observert forskjell: $E[Y_i | D_i = 1] - E[Y_i | D_i = 0] = \tau_{ATT} + \underbrace{E[Y_i(0) | D_i = 1] - E[Y_i(0) | D_i = 0]}_{\text{seleksjonsbias}}$

Seleksjonsbias

Seleksjonsbias oppstår når de som velger (eller blir valgt til) behandling er systematisk forskjellige fra de som ikke mottar behandling. Dersom $E[Y_i(0) | D_i = 1] \neq E[Y_i(0) | D_i = 0]$, kan vi ikke tolke den observerte forskjellen som en kausal effekt.

Eksempel: Effekten av høyere utdanning på lønn

Vi observerer at personer med universitetsgrad tjener mer enn de uten. Men personer som velger å ta universitetsgrad kan være mer motiverte, ha høyere evner, eller komme fra bedre sosioøkonomisk bakgrunn. Lønnsforskjellen reflekterer derfor både utdanningseffekten og seleksjonsbias.

Randomiserte eksperimenter (RCT)

Ved tilfeldig tildeling av behandling er $D_i$ uavhengig av potensielle utfall: $(Y_i(0), Y_i(1)) \perp D_i$. Da forsvinner seleksjonsbias, og forskjellen i gjennomsnitt gir oss den kausale effekten:

$\hat{\tau} = \bar{Y}_{\text{behandling}} - \bar{Y}_{\text{kontroll}}$

Intern vs. ekstern validitet:

Intern validitet: I hvilken grad vi kan stole på den kausale slutningen innenfor studiens populasjon. Trues av seleksjonsbias, confoundere, målefeil, frafall (attrition).

Ekstern validitet: I hvilken grad resultatene kan generaliseres til andre populasjoner, kontekster eller tidsperioder.

Identifikasjonsstrategier

Når randomiserte eksperimenter ikke er mulige, bruker vi kvasi-eksperimentelle metoder — strategier som utnytter tilfeldigheter eller spesifikke strukturer i data for å isolere kausale effekter:

Instrumentvariabler (IV): Finner en variabel som påvirker $X$ men ikke $Y$ direkte
Difference-in-differences (DiD): Sammenligner endringer over tid mellom behandlet og kontrollgruppe
Regresjonsdiskontinuitet (RDD): Utnytter en terskel som bestemmer behandling
Paneldata med faste effekter: Kontrollerer for uobserverte tidskonstante forskjeller

Studieguide: Kausalitet og forskningsdesign

Studieguide: Kausalitet og forskningsdesign