Kausalität in Business-Analytics und mentalen Modellen von Entscheidern

Die Frage, ob einer in Daten identifizierten Korrelation ein Schein- oder ein kausaler Wirkzusammenhang – und, falls ja, in welche Richtung – zugrunde liegt, ist eine bekannte Problematik bei der Interpretation von Marktdaten. Eine möglichst genaue Beantwortung solcher Fragen in Bezug auf zugrunde liegende reale Marktmechanismen ist wichtig für das Verständnis der untersuchten Marktaspekte und für die Abschätzung von Konsequenzen entsprechender Entscheidungen. Wir setzen Empirical Causal Learning bei unserer Forschung ein, um die Art der Zusammenhänge in beobachteten Marktdaten zu identifizieren. Dafür werden über Machine-Learning-Verfahren Zusammenhangsmuster mit den bivariaten Daten gelernt, bei denen die Natur der statistischen Beziehung bekannt ist. Wir nutzen diese Muster anschließend, um die Art des Zusammenhangs und ggf. die Richtung der Kausalität bei den interessierenden Korrelationen zu schätzen und so tatsächliche Ursache-Wirkungs-Zusammenhänge in Marktdaten aufzuzeigen. Zusätzlich wollen wir verstehen, wie Entscheider solche Situationen mit unklarem Ursprung der interessierenden Zusammenhänge behandeln. Hierfür umfasst das Projekt ein Verhaltensexperiment in unserem Decision Lab.