Hva er kausalitet?

En kausal sammenheng (X forårsaker Y) krever tre betingelser som John Stuart Mill formulerte klassisk: (1) kovariasjon – X og Y varierer systematisk sammen; (2) tidsrekkefølge – X kommer før Y i tid; (3) eliminering av alternative forklaringer – ingen tredje variabel Z forklarer bort sammenhengen.

Kellstedt og Whittens fire kausalitetskriterier

I nyere STV1020-eksamener er det Kellstedt og Whittens (K&W) fire kriterier som er den sentrale formuleringen, og de spør ofte direkte etter dem. En sammenheng er kausal når alle fire er oppfylt:

Troverdig mekanisme – det finnes en plausibel teoretisk mekanisme som kobler X til Y.
Ingen omvendt kausalitet – vi kan utelukke at Y forårsaker X.
Kovariasjon – det er samvariasjon mellom X og Y.
Ingen bakenforliggende Z – vi kan utelukke at en tredje variabel Z forårsaker både X og Y (kontroll for konfundering).

Når en eksamensoppgave ber deg vurdere om en konkret sammenheng er kausal, er den anbefalte fremgangsmåten å gå gjennom alle fire punktene ett for ett og vurdere om hvert kan evalueres med informasjonen du har. I observasjonsstudier er punkt 1 og 4 ofte vanskeligst – mekanismen er ikke alltid oppgitt, og man kan aldri være sikker på at alle relevante kontrollvariabler er inkludert.

Spuriøse sammenhenger og konfundering

En spuriøs sammenheng oppstår når X og Y korrelerer, men årsaken er en bakenforliggende variabel Z som forårsaker begge. Eksempel: antall kirker i norske kommuner korrelerer positivt med antall voldssaker – men begge skyldes befolkningsstørrelse (Z), ikke at kirker fremmer vold. Å kontrollere for Z (befolkning) vil gjøre sammenhengen mellom kirker og vold borte. Konfundering er det tekniske begrepet for når Z «forvirrer» estimatet av X→Y-effekten.

Kontrafaktisk logikk

Den kontrafaktiske definisjonen av kausalitet spør: «Hva ville ha skjedd med Y dersom X ikke hadde inntruffet, alt annet likt?» Dette er den ideelle men umulige sammenligningen – vi kan ikke observere samme enhet i to tilstander simultant (det fundamentale kausalitetsproblemet). Eksperimenter løser dette ved å sammenligne gjennomsnittlige utfall på tvers av tilfeldig tildelte grupper.

Eksperimenter og observasjonsstudier

Randomiserte kontrollerte eksperimenter (RCT) er gullstandarden for kausal inferens. Ved tilfeldig tildeling av behandling (X) sikrer vi at behandlings- og kontrollgruppen er like i gjennomsnitt på alle andre variabler, og isolerer dermed den kausale effekten. I statsvitenskap er eksperimenter ofte umulige av etiske eller praktiske grunner, og vi bruker i stedet observasjonsstudier med statistisk kontroll.

Kvasi-eksperimenter utnytter naturlige tilfeldige variasjoner i behandlingstildeling. Instrumentvariabelmetoden og regressionsdiskontinuitet er avanserte teknikker for kausal inferens i observasjonsstudier, men er utenfor kjernepensum i STV1020.

Eksempel: Spuriøs sammenheng og kontroll

Hypotese: «Kommuner med høyere valgdeltakelse har lavere kriminalitetsrate.» Vi observerer en negativ korrelasjon. Men begge kan skyldes at rike kommuner (Z) har høyere valgdeltakelse og lavere kriminalitet. Dersom vi inkluderer kommunalt inntektsnivå som kontrollvariabel i en regresjonsanalyse og sammenhengen forsvinner, var den opprinnelige sammenhengen spuriøs. Dersom den gjenstår etter kontroll, er den mer troverdig kausal.

Retning av kausalitet

Selv om kovariasjon er etablert og tidsrekkefølgen er logisk rimelig, kan vi ikke alltid utelukke omvendt kausalitet (Y→X istedenfor X→Y). Eksempel: Korrelerer politisk tillit og sosial kapital fordi tillit skaper sosial kapital, eller fordi sosial kapital skaper tillit? Paneldata og teoretisk argumentasjon brukes for å adressere dette.

Kausalmodeller (stimodeller) og dekomponering

En kausalmodell (stimodell) tegnes som bokser med variabler og piler som angir antatt årsaksretning. Variabler som ligger tidligst i tid plasseres til venstre. En bakenforliggende variabel ligger forut for et variabelpar og kan skape en spuriøs sammenheng; en mellomliggende (intervenerende) variabel ligger på stien X→M→Y og formidler en indirekte effekt. En modell der alle logisk tenkelige piler er tegnet inn kalles mettet; mangler minst én pil er den umettet. Piler i bare én retning gir en rekursiv modell.

Ved dekomponering (stianalyse) deler man den totale bivariate sammenhengen mellom to variabler opp i direkte, indirekte og spuriøse komponenter. Mens vanlig (simultan) regresjon kun gir den direkte (kontrollerte) effekten, viser dekomponering også størrelsen på de indirekte og spuriøse delene. Dette gjøres typisk ved å sammenligne en bivariat regresjon (X på Y) med en multivariat regresjon (X og Z på Y): endringen i X-koeffisienten når Z legges til, avslører hvor mye av sammenhengen som var indirekte/spuriøs.

Eksempel: Stimodell og spuriøs sammenheng (eksamensstil)

Hypotese: «Venstrestyrte kommuner krever inn mer eiendomsskatt per innbygger enn høyrestyrte.» Du mistenker at sammenhengen delvis skyldes at små kommuner oftere er venstrestyrte. Tegn en stimodell med tre variabler i tidsrekkefølge fra venstre: KOMMUNESTØRRELSE → POLITISK STYRE → EIENDOMSSKATT, med én pil mellom hvert par, og en pil fra KOMMUNESTØRRELSE direkte til EIENDOMSSKATT. Det viktigste sensor ser etter er korrekt rekkefølge (den bakenforliggende variabelen lengst til venstre) og at det er én pil per variabelpar. Hvis EIENDOMSSKATT-forskjellen mellom venstre- og høyrestyrte kommuner forsvinner når du kontrollerer for KOMMUNESTØRRELSE, var den opprinnelige sammenhengen spuriøs.

Studieguide: Kausalitet og kausale slutninger