CAUSAL MACHINE LEARNING – wie holt man am meisten damit raus?

Staffel 4· 15. Juni 2021· 3022

Episoden-Cover: CAUSAL MACHINE LEARNING – wie holt man am meisten damit raus?
0:003022
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maksim GreinerCo-Founder & CTO von Erium

Überblick

In dieser Folge des Erium Podcasts diskutieren Theo Steininger und Maksim Greiner, bei welchen Arten von Problemen kausale Inferenz sinnvoll eingesetzt werden kann. Zuvor widmen sie sich in der 'verirrten Statistik der Woche' dem p-Wert und seinen weit verbreiteten Missinterpretationen. Als konkretes Praxisbeispiel wird eine Studie zum Zusammenhang von Chronotyp und Depressionsrisiko analysiert.

Zusammenfassung

Der p-Wert: Eine der folgenreichsten Missinterpretationen der Wissenschaft

Maksim Greiner erklärt ausführlich, was der p-Wert wirklich ist: die Wahrscheinlichkeit, unter Annahme der Nullhypothese einen mindestens so extremen Beobachtungswert zu erhalten. Das klingt technisch – und genau darin liegt das Problem. In der Praxis wird der p-Wert häufig fälschlicherweise als Irrtumswahrscheinlichkeit interpretiert, also als die Chance, mit einer Veröffentlichung falsch zu liegen.

Ein zentrales Missverständnis: Bedingung und Zufallsgröße werden vertauscht. Der p-Wert setzt die Nullhypothese als Bedingung voraus – die eigentliche Alternativhypothese fließt gar nicht in die Berechnung ein. Das ist fundamentaler Unterschied zu dem, was Forschende eigentlich wissen wollen.

Maksim zeigt anhand einer Simulation (100.000 Wiederholungen), dass bei einem p-Wert knapp unter 0,05 nicht in 5 %, sondern in rund 23 % der Fälle eine falsche Schlussfolgerung gezogen wird. Hinzu kommt: Werden viele Hypothesen gleichzeitig getestet, ist es statistisch zu erwarten, dass rein zufällig einzelne unter die Signifikanzgrenze fallen – der sogenannte 'Look Elsewhere'-Effekt.

Reproduzierbarkeitskrise und systemische Folgen der p-Wert-Kultur

Die Kombination aus Fehlinterpretation und publikationsbedingtem Anreiz (Stift fallen lassen, sobald p < 0,05 erreicht ist) erklärt einen erheblichen Teil der Reproduzierbarkeitsprobleme in der Wissenschaft. Werden 20 Hypothesen getestet, von denen keine zutrifft, ist es statistisch fast sicher, dass mindestens eine zufällig als 'signifikant' erscheint. Gleichzeitig ist die Verteilung des p-Werts unter der Nullhypothese gleichmäßig zwischen 0 und 1 – er konvergiert nicht und liefert bei Wiederholung jedes Mal einen anderen Wert.

Zwei Klassen von Use Cases für kausale Inferenz

Theo und Maksim unterscheiden zwei grundlegende Ausgangssituationen für kausale Inferenz: Erstens der Fall, in dem kein kausaler Graph bekannt ist und man die Wirkabhängigkeiten erst ermitteln muss – typisch für Sozialwissenschaften, wo Ursache und Wirkung oft schwer trennbar sind. Als Beispiel dient der California-School-Datensatz, bei dem unklar ist, ob mehr Computer zu besseren Testergebnissen führen oder ob beide Größen nur gemeinsame Ursachen wie Wohlstand widerspiegeln.

Zweitens der Fall, in dem der kausale Graph bereits bekannt oder gut abzuleiten ist – beispielsweise bei technischen Prozessen wie dem Brotbacken, wo zeitliche Abfolge und physikalische Logik klare Kausalrichtungen nahelegen. Hier geht es darum, den bekannten Graphen quantitativ mit Daten zu befüllen und konkrete Interventionsfragen zu beantworten.

Werkzeuge zur Graphstruktur-Erkennung: d-Separation und Bayes-Evidenz

Ist der kausale Graph unbekannt, gibt es zwei methodische Hauptwerkzeuge. Zum einen die d-Separation: Durch konditionales Testen auf statistische Unabhängigkeit – also Konditionieren auf einzelne Variablen und Prüfen, ob andere Variablenpaare dann unabhängig werden – lässt sich die Menge plausibler Graphstrukturen erheblich einschränken. Allerdings setzt das ausreichend viele Datenpunkte voraus, da das Konditionieren den Datensatz immer weiter aufteilt.

Zum anderen der Vergleich über Bayes-Evidenz: Sind zwei Graphkandidaten aus d-Separationssicht in derselben Äquivalenzklasse, lassen sich für beide Modelle trainieren und deren Evidenz berechnen. Das bevorzugt nach dem Ockhamschen Rasiermesser das sparsamere Modell. Allerdings warnt Maksim vor Überinterpretation, da Evidenzen schnell sehr hohe Verhältnisse produzieren können, die von subtilen Modellannahmen abhängen.

Praxisbeispiel: Chronotyp, Schlaf und Depressionsrisiko

Als anschauliches Beispiel diskutieren die beiden eine Studie mit rund 840.000 Teilnehmern, die einen Zusammenhang zwischen Chronotyp (Früh- vs. Spätaufsteher) und Depressionsrisiko zeigt. Positiv hervorgehoben wird, dass die Autoren ehrlich zwischen Korrelation und Kausalität trennen und mehrere mögliche Wirkmechanismen nennen: Morgensonne und Serotoninausschüttung einerseits, gesellschaftliches Stigma für Nachteulen andererseits.

Maksim skizziert, wie man mit kausaler Inferenz weiterarbeiten könnte: Man könnte Graphen formulieren, in denen Schlafverhalten die Depression bedingt, oder umgekehrt, oder beide auf eine gemeinsame genetische Ursache zurückgehen. Genomdaten würden helfen, diese Alternativen über Separation und Evidenzvergleich zu testen. Dass am Ende auch diese Studie p-Werte zur Ergebnisbewertung verwendet, sorgt für einen ironischen Schlusspunkt nach der vorangegangenen Diskussion.

Kernaussagen

  • Der p-Wert ist keine Irrtumswahrscheinlichkeit: Er gibt die Wahrscheinlichkeit an, unter Annahme der Nullhypothese mindestens so extreme Daten zu beobachten – die eigene Alternativhypothese fließt gar nicht ein.
  • Bei einem p-Wert knapp unter 0,05 liegt die tatsächliche Fehlerrate in realistischen Szenarien bei bis zu 23 % statt der angenommenen 5 %.
  • Werden viele Hypothesen parallel getestet, ist es statistisch zu erwarten, dass rein zufällig einzelne als 'signifikant' erscheinen – das befeuert die Reproduzierbarkeitskrise.
  • Kausale Inferenz macht vor allem dann Sinn, wenn man Wirkrichtungen verstehen oder konkrete Maßnahmen ableiten will – nicht nur statistische Muster beschreiben.
  • Man unterscheidet zwei Hauptanwendungsfälle: Graphstruktur unbekannt (z.B. Sozialwissenschaften) versus Graph bekannt und zu quantifizieren (z.B. technische Prozesse).
  • D-Separation und Bayes-Evidenz sind die zentralen Werkzeuge, um zwischen konkurrierenden kausalen Modellen zu unterscheiden – beide benötigen ausreichend Daten.
  • Kausale Modelle schützen vor dem klassischen Fehler, eine Korrelation als Handlungsgrundlage zu nehmen, ohne die zugrunde liegende Wirkkette zu kennen.

Fazit

Die Folge macht deutlich, wie wichtig es ist, statistische Maße korrekt zu interpretieren und bei der Analyse von Daten zwischen Korrelation und Kausalität zu unterscheiden. Kausale Inferenz ist kein Allheilmittel, aber ein mächtiges Werkzeug – vorausgesetzt, man hat eine begründete Vorstellung des kausalen Graphen oder ausreichend Daten, um ihn zu ermitteln. Die ironische Pointe am Ende – auch die diskutierte Schlafstudie setzt p-Werte ein – zeigt, wie tief verankert problematische Praktiken selbst in renommierter Forschung sind.

Für Data Scientists und ML-Praktizierende

Wer Kausalanalysen plant, sollte zwischen den Szenarien 'Graph bekannt' und 'Graph unbekannt' unterscheiden und die passenden Werkzeuge (d-Separation, Bayes-Evidenz) gezielt einsetzen. Dabei ist immer auf ausreichende Datenbasis und Vorsicht bei der Überinterpretation von Evidenzverhältnissen zu achten.

Für Forschende und Wissenschaftskommunikatoren

Die Diskussion um den p-Wert zeigt, wie systemische Missinterpretationen entstehen und welche Folgen sie für die Reproduzierbarkeit von Ergebnissen haben. Bayesianische Alternativen und explizite Kausalmodelle sind eine sinnvolle Ergänzung oder Alternative zu klassischen Signifikanztests.

Volltranskript anzeigen

Speaker0: Und zwar, das ist doch die Maschine, die die Würfel, 2 Würfel gleichzeitig, wenn eine Doppelsechs auftritt, dann wird anhand des Neutrinoflusses gemessen, ob die Sonne explodiert.

Speaker1: Ja, oder oder lass es uns einfach so machen, wie es ist. Das liegt uns schon länger im Herzen, da müssen wir mal drüber sprechen, lieber Witz. Okay.

Speaker0: So Onlineselsorge, Maxima hat was am Herzen, dass er loswerden möchte.

Speaker2: Ihr hört die Ihremeom Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker0: Herzlich willkommen zu 1 neuen Folge von deerium Podcast. Mein Name ist Theo Steininger und mir remote gegenüber sitzt wie immer mein Kollege Maxim Greiner. Hi Maxim.

Speaker1: Wie ohne Adjektiv diesmal?

Speaker0: Diesmal ohne Adjektiv.

Speaker1: Oh, hallo Theo. Der Wunderbare,

Speaker0: der unvergleichliche.

Speaker1: Ja, fangen wir lieber an. Fangen wir lieber an.

Speaker0: Genau, worum geht's in der Folge? Schön, dass Du da bist. Heute steht am Programm, dass wir uns angucken, bei welcher Art von Probleme es Sinn macht, dass man kausale in vierence betreibt. Das ist ja nicht immer gegeben. Bevor wir da aber genauer ins Detail einsteigen, lass uns vorher mal in die verirrte Statistik der Woche eintauchen. Machen wir die Kiste auf. Ja, machen wir die Kiste auf. Ja, ich hab

Speaker1: keine wirklich verirrte Statistik der Woche für euch eher verirrte Statistik des Jahrhunderts oder der der Moderne so also wir gehen jetzt hier ganz tief in die in die Metaebene quasi es geht mir nämlich den Pi value und für die die das nie mitbekommen haben oder nicht wissen was das ist also was ist der Pi value das ist ein Signifikanzmaß quasi für eine statistische Entdeckung was auch vor allem gern so im medical research Bereich hergenommen wird bei irgendwelchen Studien und so weiter und meine das ist an sich jetzt erstmal irgendein statistischer Wert der ist jetzt nicht böse oder sowas aber er wird halt wahnsinnig oft falsch interpretiert und ist einfach von seiner Art wer benutzt wird einfach anfällig hat viele Probleme verursacht was dann die Reproduzierbarkeit von Wissenschaft und sowas angeht so dass der mittlerweile auch eigentlich versucht man davon wegzukommen aber es ist halt naja wie gesagt so ist wenn einmal Standard schon seit Jahrzehnten drin ist ja was ist denn p value also der p value ist folgendes stellt euch vor ihr habt eine Hypothese die ihr testen wollt und habt irgendwelche Daten dafür jetzt aufgenommen und diese Hypothese die vergleicht mit 1 Nullhypothese das wäre sozusagen einfach der Effekt den ich untersuche den gibt's nicht und dann ist der Pi value das Integral zwischen der den beobachteten Wert und dem vollen Extremnummer zum Beispiel Unendlichkeit gegeben dass die Nullhypothese also quasi das Gegenteil von dem was ich versuche zu beweisen stimmen würde und die Idee ist je unwahrscheinlicher das ist dass die 0 also dass das seht ihr schon in mir fällt es schwer es zu formulieren also je kleiner dieses Integral ist desto unwahrscheinlicher ist dann die Idee, dass die Nullhypothese stimmt und dementsprechend quasi ja dann widerlegt ist und dementsprechend meine Alternativerklärung stimmen soll. Jetzt haben wir dabei verschiedene Probleme. Zum einen, ich hab's jetzt schon fast oder ich hab's eigentlich schon selber falsch gesagt. Ich hab's schon gesagt, dass dann ist es unwahrscheinlicher, dass die Nullhypothese stimmt. Aber wenn ihr davor aufgepasst habt, ich hab gesagt, das ist das Integral der Wahrscheinlichkeit der beobachteten Daten gegeben, die Nullhypothese stimmt. Das heißt, unter der Annahme, dass die Nullhypothese stimmt, wird dieses Integral gebildet. Und das ist halt das ist halt megaverwörend. Das erzeugt wahnsinnig viel Probleme von der Interpretation. Und generell wird er gern so als Grenze genommen Pi Werte 0.05 ist so eine Grenze, ab da sagt man, das ist 'n signifikantes Ergebnis. Und das Problem ist, dass es halt ganz oft dann missinterpretiert wird als okay, das heißt, wir haben eine fünfprozentige Chance, dass das Ergebnis ein reines Zufallsprodukt war oder dass wir jetzt was Falsches veröffentlichen und deswegen sagt man na 5 Prozent ist es sozusagen unwahrscheinlich genug aber genau das ist der p value eben nicht sondern es ist halt dieses Integral was ich beschrieben habe ja das heißt wir bestimmen die Wahrscheinlichkeit mit dem key value das angenommen die Nullhypothese stimmt ich einen noch extremeren Wert finden könnte deswegen dieses Integral als den den ich aktuell beobachtet habe und ja das ist alles was der Pi value ist aber diese Fehlinterpretation erzeugt einfach wahnsinnig viele Probleme und wichtig auch zu verstehen ist der Pi value ist wenn ich das Experiment wiederhole er wird jedes Mal anders sein weil ich ja anderen einen anderen Wert rausbekomme und da da konvergiert der auch nicht oder sowas sondern der ist einfach jedes Mal anders Das heißt, wenn ich meinen angenommen die Nullhypothese stimmt, wie ist der Pi value postuliert und ich würde mein Experiment immer wiederholen, dann bekomme ich jedes Mal einen anderen Pi value. Und Funfact, die Verteilung, wenn ich jetzt das Experiment tausendmal wiederhole, die Verteilung der Pi-Values, die ich dann bekomme, ist Uniform zwischen 0 und 1 verteilt. What? Ich mein, das heißt so ungefähr ja ja schön, ne? Und das heißt, wenn dieses wenn das mal zufällig in die 0 unter die 0.05 kommt, dann hab ich jetzt die Hypothese widerlegt so von der von der Idee. Das ist natürlich einfach bisschen schwierig. Und wir haben es ja schon ein paar Mal gehabt in der verirrten Statistik man soll unterscheiden zwischen was ist die Zufallsgröße und was ist die Bedingung und beim Pi value ist die Bedingung die Nullhypothese also die nothing is significant Hypothese stimmt. Das ist die Bedingung, unter der das konstruiert wird und die wahrscheinlich wird wird gebildet, also die Zufallsgröße, das sind die beobachteten Werte. Ja und meine die Leute die Base Theorien kämen die wissen ja man möchte genau andersrum

Speaker0: interpretiert genau was ist die Wahrscheinlichkeit eben das nicht die neue Hypothese

Speaker1: in der Interpretation das muntere Vertauschen von Bedingungen und Zufallsgröße ne. Wieso gern hatten wir ja schon in anderen mit großer Kanzler und und und beliebte der Presse und so was. Das ist letztendlich hier genau das Ganze nur schon so systemisch eingeimpft in einen in ganze Sektionen der Wissenschaft. Also eine Missinterpretation

Speaker0: wie wie erklärst Du dir das dann dass die Anwendung des p values trotzdem so populär ist boah

Speaker1: no idea also da gibt's irgendwie ja also was habe ich da so zu gelesen dass das halt irgendwie man wollte halt damals ein Signifikanztest haben und dann gab's auf anderer Seite dann quasi so Fehlerstatistiken, die man auch schätzen könnte, zu sagen, was man eigentlich ja haben will, ist was ist die Chance, dass ich mich geirrt habe, wenn ich dieses Ergebnis jetzt so veröffentliche? Und irgendwie wurde das dann vermischt damals. Und ich meine grundsätzlich zu sagen, Du möchtest irgendein Maß finden für ich habe eine Hypothese und ich habe Daten und ich möchte jetzt sagen, ist diese Hypothese plausibel und nicht das Bedürfnis kann man ja nachvollziehen. Aber ist halt eigentlich total komisch, das zu nehmen, wenn ich eigentlich ja nicht die Nullhypothese teste, sondern meine neue eigene Hypothese, die gar nicht in die Rechnung einfließt. Das ist irgendwie das Komische. Ja, also weil noch mal, es ist die Wahrscheinlichkeit für die Daten, gegeben die Nullhypothese stimmt, die integriert wird. Die Alternativhypothese kommt da gar nicht drin vor. Mhm. Und ja, eigentlich, wenn man jetzt, wer bayestheorien kennt der weiß ja wir möchten wenn wir das umdrehen wollen also wir möchten ja die Wahrscheinlichkeiten berechnen das Hypothese a oder Hypothese B stimmt dann müssen auch Hypothese a und Hypothese b in dieser Rechnung vorkommen und ja das passiert einfach beim Pi Welle nicht und das kann ziemlich signifikante Missconceptions eben dann auslösen jetzt vielleicht denkt man ja Interpretation hu carees sei doch mal ruhig aber dabei kann sie und man kann da gehörig daneben liegen also ich habe mal da so ein kleines Zahlenspiel vorbereitet

Speaker0: okay

Speaker1: und zwar stellt euch vor ihr messt irgendeine Größe ist vollkommen egal fürs Beispiel was ja einfach 1 1 1 Zahl und die Nullhypothese ist dass der Mittelwert dieser Zahl 0 ist okay und die Alternativhypothese die ihr zum Beispiel in eurer Doktorarbeit gerne belegen wolltet die sagt der Mittelwert ist 1 und die Standardabweichung in beiden Fällen ist jetzt auch mal 1 ja machen wir's ganz einfach und die Signifikanzgrenze sagen wir ja Pi value wenn der kleiner ist als 0.05 dann glaube ich dass die Nullhypothese falsch und die Alternativhypothese richtig ist und jetzt macht er das Experiment und kriegt Daten ja die je nachdem welche Hypothese in Wahrheit richtig ist sind diese Daten einmal 0 zentriert verteilt oder 1 zentriert verteilt aber ihr habt halt nur den einen Wert jetzt wenn wir das mal simulieren ja also wir würfeln halt erstmal welche Hypothese stimmt Und dabei sind wir großzügig und sagen fifty fifty Chance zwischen beiden Hypothesen. Also es wär ja auch im basischer Betrachtung, das ist der Priorer dafür, welche Hypothese stimmt. Wir sagen jetzt hier mal großzügig fifty fifty Chance und dann machen wir beispielsweise 100000 Mal Folgendes. Wir sagen, also wir werfen die Münze, welche Hypothese ist richtig? Also wir wählen jetzt für das Experiment aus, welche Realität gilt? Dann generieren wir einen zufälligen beobachteten Wert der also in der wenn die Nullhypothese stimmt 0 verteilt ist und bei der Alternativhypothese 1 verteilt ist. Aber nur einen oder? Nur einen genau. Ja das ist immer für den Pi value muss es immer reduzieren auf einen. In Wahrheit ist das dann natürlich irgendein Mittelwert aus so 1 größeren Studie Muss es immer reduzieren auf einen. In Wahrheit ist das dann natürlich irgendein Mittelwert aus irgend 'ner Größe und Studie oder sowas. Aber der hat ja auch ist ja auch eine Zahl mit 1 Verteilung am Ende des Tages. Und ja dann rechnest Du den aus, bildest also dieses Integral und wenn der klein ist als 0.05, dann sagst Du, ja. Und jetzt haben wir das hunderttausendmal gemacht und dann bilden wir mal jetzt so die Querschnitte. Und dann ja ganz ganz nett. Also in den Fällen, in denen wir konformed gerufen haben, also der Pi Value unter der 0.05 lag, lagen wir nicht in 5 Prozent der Fälle falsch, sondern in 16 Prozent der Fälle. Ja, das ist schon mal deutlich über 'n Faktor 3 mehr gegenüber der quasi falschen Interpretation. Mhm. Und wenn wir, was so in der wissenschaftlichen Praxis dann wahrscheinlich gar nicht so selten ist, wenn wir mal nur jetzt uns die Fälle anschauen, wo der Pi Value nur knapp unter 0.05 war. Also zum Beispiel zwischen 0.04 und 0.05, ja? Was natürlich immer gern so, man arbeitet irgendwie dahin, dieses Signifikanz zu erreichen und dann veröffentlicht man. Dann ist die der der die Chance, dass man falschliegt, in diesem Experiment sogar 23 Prozent.

Speaker0: Weil natürlich die ganzen noch Signifikanteren jetzt weggefallen sind. Na ja, aber aber das ist das, was in der Realität häufig passiert, ja, sobald Du eben dein Signifikanzniveau erreicht hast, lässt Du den Stift fallen und drückst auf Submit. Ja, warum sollst Du jetzt noch mehr Studienteilnehmer

Speaker1: oder sowas suchen oder noch mehr Daten zusammentrinken. Genau, Du hast die da hast die Kremagen erreicht. Stift fallen veröffentlichen next und dann hast Du halt hier jetzt eine Chance von 23 Prozent dass Du falsch gelegen hast also fast ein Viertel

Speaker0: und

Speaker1: ja hier war jetzt also quasi die alternativhypothese eine Standardabweichung entfernt und je nachdem wie viel Standardabweichung sie entfernt ist also wenn sie noch näher ist dann wird's noch schlimmer und so ne also weil ja beim b-value Berechnung ja die Alternativhypothese gar nicht einfließt ja also es ist schon eine sehr sehr signifikante Missinterpretation wenn man halt sagt dieser Pi value ist die Irrtumswahrscheinlichkeit und das ist halt sehr fundamental es wird hier Bedingung und Zufallsgröße dabei einfach vertauscht in den Interpretation zusätzlich kommt noch dieses Integral was Interpretation erschwert ne manche sagen ja der Pi value ist ein Maß über Daten die nicht beobachtet wurden Über eine Hypothese, die nicht in der Forschungsarbeit ist. Also erklärt wirds böse, aber das ist einfach schwierig zu interpretieren und ich gebe ja nicht den den Leuten die Schuld, die damit arbeiten, sondern also ich hab mich ja jetzt selbst bestimmt dreimal verhauen, weil wir erklären, weil's einfach schwierig zu interpretieren ist. Und ja, dadurch sind halt sehr, sehr viele veröffentlichte Ergebnisse nachher, wenn man's dann versucht zu reproduzieren, nicht reproduzierbar Wegen diesen 23 Prozent, die ich grad vorgerechnet hab. Und da ist ja noch nicht mal dabei, so Geschichten wie Look Alesware Effekt und Selection Bias und so weiter. Also was meine ich damit? Ja du musst deine Doktorarbeit durchbringen du musst ein Paper veröffentlichen und Du hast jetzt irgendeinen Datensatz und Du hast sagen wir mal 20 Hypothesen und die sind alle falsch okay die Hypothesen sind alle falsch Die Nullhypothese gilt, aber ihr habt ja vorhin sicher aufgepasst, der Pi value, wir geben die Nullhypothese, ist Uniform verteilt zwischen 0 und 1. Ich mache 20 Mal den Test. Statistisch gesehen werde ich also jetzt einmal Heuriker schreien und quasi ein 1 oder ein Paper veröffentlichen mit einem Pi value knapp unter 0.05 ist ungefähr und das ist halt wahnsinnig viel natürlich dann in der in der Literatur sowas und deswegen ist ja auch wahrscheinlich vollkommen gegen die Praxis dass man erst das glaubt wenn mindestens 2 3 4 Studien in die gleiche Richtung deuten und so weiter aber ganz viel kommt dabei eben von von dem und seiner Missinterpretation ja

Speaker0: ich würde ich würde es mal so interpretieren es stecken halt einfach zu viele rückwärts halt aus drin

Speaker1: ja kann man so sagen ja

Speaker0: und und am Ende wie Du sagst man verhaut sich so leicht alright ja man merkt du hast dir da ein bisschen was von der Seele jetzt gesprochen

Speaker1: ja? Ja, beim beim googeln, es gibt doch viele Paper, die da von der Seele geschrieben sind, muss man sagen, also so so

Speaker0: Paper, die die die quasi einmal durchexerzieren, oder? Hey Leute, hier geht's hier geht's schief und hier geht's schief. Und wenn das ist und übrigens

Speaker1: permanent dann geht's schief ja mein mein favorite beim Lesen ist ich muss noch mal schauen ob ich das noch wieder rausfinde aber da fängt das Paper dann so in der introduction an zitiert halt zu zeigen wie groß die die Missinterpretation ist Zitat eine Studie, die gemacht wurde, wo quasi Medical researchers, glaube ich, gefragt wurden, welche von vielen Interpretationen des Pi Value richtig ist. Und da waren natürlich also der da war halt irgendwie die Aussage, aber sowas krieg's nicht mehr ganz zusammen, aber die war der Pi value war größer als 0.05. Und dann waren halt so Aussagen wie ja die These also mit 1 Wahrscheinlichkeit von soundso so richtig und so weiter. Und eine war halt ja, es besteht eine Chance von von 5 Prozent, dass das Ergebnis reiner Zufall war. War dann so eine von den 4 Antworten, wo ich jetzt auch erst mal dachte, okay, ja, klingt plausibel, das wird die richtige Antwort sein. Und das war auch laut den Autoren dieser Studie die richtige Antwort. Aber der Tipp in dem Bild hat dann gesagt, ja, aber das der Witz ist an dieser Studie, keine der 4 Antwortmöglichkeiten war dann im Endeffekt richtig. Selbst die Autoren der Studie haben sich quasi geirrt und selbst die Referies, weil's einfach so nichtsinterpretieren ist. Nein. Naja aber anyway

Speaker0: ja ich habe mir das gerade noch mal notiert also vielleicht hast Du da noch das ein oder andere Paper

Speaker1: ja wir werden ja ja Shownotes machen ich habe auch zu dem was ich gerade durchexerziert habe wobei dann bei den 23 Prozent gelandet sind also das ist ein kurzes Notebook das können wir gerne auch in die Shownotes packen dann kann jeder jeder mal selbst damit rumspielen bei wie bei wie viel Standardabweichung Unterschied und so weiter was für quasi Verhältnisse zwischen p values und Irrtumswahrscheinlichkeiten rauskommt.

Speaker0: Ja, ja das machen wir auf jeden Fall. Also ich hab mir jetzt mal aufgeschrieben hier Paper zu p values und das entsprechende. Das laber wir auf GitLab, da haben wir schon lang nicht nix mehr veröffentlicht. Ja, rein. So machen wir das. Cool. Ja, aber jetzt mal ganz ehrlich, lass uns das Thema wechseln, bevor ich depressiv werd. Und Brauchst Du jetzt deinen Medikamenten nicht mehr. Zum noch brauch ich keine, noch Koffein tut seinen Dienst. Aber aber zum Thema Depression hab ich für später noch was. Schon mal 'n kleiner kleiner Teaser. Jo, so boah, wie kriegen wir da jetzt den Bogen? Das eigentliche Thema der Folge ist ja, bei welche bei welcher Art von Problem macht's Sinn, einen kausalen Ansatz zu verfolgen? Und lass uns das mal kurz noch mal reflektieren. Vom Skript her der der letzten Folgen hatten wir das ja auch bewusst so platziert, weil wir haben jetzt ja einige Beispiele auch schon diskutiert in den letzten Folgen. Und ich denke, jetzt ist der richtige Moment für so eine kleine Einordnung. Eben wann macht's Sinn, kausale Interferenz anzuwenden. Und ja, so Fragen, die mir da da da im Kopf rumschwirren, ist erstens, was möcht ich denn? Was muss ich überhaupt erreichen wollen? So rumformuliert, genau. Was muss ich überhaupt erreichen wollen? Welche Ausgangsbedingungen müssen gegeben sein? Ja, kann ja sein, dass ich's wunderbar hier eine kausale Inferenz starten möchte, aber vielleicht kann ich gar nicht, weil ich, und dann nächstes Stichwort, die Daten, die entsprechenden Daten nicht hab. Lass uns da mal durchgehen. Gerne. Erst mal zu den Zielen, ja. Ich bin großer Freund von von Klassifikation. Da gibt's aus meiner Sicht eine Klassifikation in in 2 Kategorien, nämlich einmal, ich hab eine Ahnung über den kausalen Graph und das andere Mal ich habe keine Ahnung über den kausalen Graph.

Speaker1: Ja, korrekt. Also da würde ich so mitgehen. Okay. Also das eine ist, Du hast Du möchtest gerne wissen was sind die Wirkmechanismen also das wäre ich habe keinen kausalen Graf ja also ich möchte irgendwie lernen oder ableiten was hängt denn wovon ab und das andere ist ich habe eine Idee was wovon abhängt also die muss ja nicht hundertprozentig richtig sein aber ich habe zumindest mal ich habe einen Graphen ich habe eine kausale Abhängigkeitsstruktur und ich möchte die quantifizieren also von dem reinen ja du beeinflusst dich da möchte ich Zahlen hinterlegen und dann halt konkrete Fragen auswerten das würde ich auch so sagen sind so quasi so die 2 Klassen von use Cases aber machen wir mal vielleicht Beispiele oder also ja auf jeden Fall Beispiel jetzt ich habe ich möchte irgendwie ich möchte was ich möchte lernen was wovon abhängt ja also das wäre glaube ich relativ viel in so irgendwelchen Social Science Geschichten wo es halt ein bisschen schwieriger ist zu beurteilen was ist Ei was ist Huhn so ungefähr ne also Beispiel wer kennen vielleicht kennen manche von euch so diesen Beispiel Datensatz aus so ein California School Dataset da hat man irgendwie da rede ich jetzt schon von Daten aber trotzdem die Parameter die da vorkommen sind von den ganzen Schulen die da die da betrachtet werden sollen, in welchem Distrikt liegen die? Mhm. Wie viele Schüler gehen in die Schule? Wie viele Lehrer gibt es an der Schule? Was ist so das Durchschnittseinkommen in den Distrikt? Wie was wie viele wie viel Prozent sind in so einem Sozialheftprogramm wie viele kriegen aufgrund von quasi geringem Einkommen einen ermäßigtes Mittagessen und dann so Sachen wie viele Computer sind an der Schule Was haben wir dann auch? Ich glaub, ich glaub, das ist es so ungefähr. Und dann gibt's halt die Testscores, also sozusagen Lese- und und Rechentests, irgendwelche Vergleichsarbeiten. Und da kann man natürlich die Frage stellen, ja, also was ist Ihr Ei, was ist Huhn? Also haben die Computer eine große Rolle auf die Testscores? Ja, jetzt wenn man jetzt nur eine Korrelation bilden würde, dann die die Leute, die aufgepasst haben in den letzten Folgen, würden dann wissen, na ja, correlation do is not mean corsaation, ne. Also das könnt ja sein, dass mehr Computer sind häufig da, wo mehr Geld ist und da, wo mehr Geld ist, ist irgendwie mehr Zeit und da wo mehr Zeit ist, ist dann mehr Performance. Who knows, ja? Also man kann da jetzt ja ganz viele argumentative Ketten bilden und sich dann wunderbar drüber streiten. Wir müssen das machen. Wir müssen jenes machen. Wir müssen Also wir haben am Ende des Tages möchte man dann meistens Maßnahmen ableiten, wie man irgendwie die das Schulsystem zum Beispiel verbessert. Aber dafür braucht man ja erst mal die Wirkmechanismen und ja, wenn ich die lernen will, dann bin ich in diesem Use Case, also den wir da beschrieben haben. Ich möchte meine Wirkabhängigkeiten bestimmen. Das sehe ich viel in diesem Social Science Bereich. Und so Bereiche, wo man eigentlich dann den kausalen Grafen wahrscheinlich relativ gut quasi auf dem Silbertablättert hat, das wären irgendwie so technische Prozesse. Also nehmen wir mal einen ganz einfachen technischen Prozess Brot backen oder so, ja. Also da kann ich mir ja ich muss ja nur jemanden zuschauen der backt und kann allein schon aus der zeitlichen Reihenfolge relativ guten Gas machen dass wahrscheinlich das also das zum Beispiel die die Knusprigkeit des Brotes von der Temperatur abhängt und nicht umgekehrt ja also oder die ja also ich meine oder das dass die dass die das Ergebnis hängt von den Zutaten ab und von den Einstellungen und nicht umgekehrt ja das kann man bei so einem Prozess meistens so wenn man den ein bisschen häppchenzellig sehr sehr sehr klar definieren was da zumindest die Kandidaten sind was man dann halt vielleicht so noch ein bisschen überlegen muss okay welche Zusammenhänge schließt man halt aus dass man vielleicht sagt okay von meiner ja was vielleicht zeitlich vorher kommt sozusagen die die der mehltyp den ich genommen habe von dem hängt es jetzt vielleicht nicht ab welche Temperatur ich nehme oder doch also aber oder es hängt halt vielleicht vom vom Rezept ab wo der Medotyp drinsteht. Also aber da kann man, wenn man sich das so anschaut und dann die Parameter halt vor sich liegen hat meistens zu relativ guten, würde ich mal sagen kausalen Modellen kommen bei so Prozessen. Und ja kannst das Ding halt beobachten ja genau du kannst es beobachten du kannst wirklich zuschauen was passiert und wir leben in 1 zeitlich kausal geordneten Welt und das ist dann ein guter Anhaltspunkt

Speaker0: Ich glaube, ich druck dir 'n T-Shirt Maxim und zwar von Maxims knackigen Brötchen wird im Ofen heiß.

Speaker1: Alright, ja. Genauso ist es. Wenn ich mal nach China fliege, dann dann trag ich das dort, da kann's dann keine Das ist dann ungefähr so wie

Speaker0: So mit den Tattoos. Ja. Unbedingt, unbedingt. Ja, Du Du aber noch mal ganz kurz zurück zu dem Ersten, also diesen Social Sciences. Mir ist da grade auch noch mal eine 1 Parallele in den Sinn gekommen, und zwar auch politischer Diskurs. Das fällt mir immer wieder auf. Der findet eigentlich auf 2 Ebenen statt. Und zwar wird einmal 1 1 1 1 Wirkkette postuliert in der Diskussion und dann wird diskutiert quasi gegeben dieses kausalen Grafen eigentlich ja. Ja. Was ist dann die sinnvollste Maßnahme? Stimmt. Und das ist das total geil. Gute Rhetorik, die schieben dir ein kausales Modell unter, das aus dem sich dann zwangsläufig das ergibt, was Du haben möchtest. Ja, also wenn Du sagst, ich möchte hier mehr Laptops an Schulen platzieren sehen, weil zufällig Du für dich ein Schwager verkauft, Laptops in der Gemeinde, ja. So. Und und und das ist das ist 'n rhetorischer Kniff, wie Du jemanden manipulieren

Speaker1: kannst. Indem Du irgendwie diese die die die deine Annahme als Prämisse halt irgendwo unauffällig gleich einschleust und dann aber ganz breit gesagt. Ja das ist immer schön und dann plötzlich wirst Du ganz rigoros und leitest das hart logisch ab

Speaker0: voll voll ja klar klar der

Speaker1: Bunker der auf dem Kartenhaus gebaut wird oder so Ja. Ja. Aber das sind so die beiden, würde ich sagen, Typen von Fragestellungen. Und bei ja, wenn Du den Grafen hast wie beim Brotbacken, dann wären halt dann die Fragen, die Du halt damit beantworten möchtest vielleicht sowas wie na ja was wäre denn wenn ich die Temperatur systematisch 5 Grad höher mache werden dann meine Brötchen leckerer oder knuspriger und wenn das stattdessen rein korrelationsbasiert machst, dann hast Du vielleicht über dieses Rezept dann das die Korrelation, dass vielleicht die ja die Brötchen, die bei höheren Temperaturen gebacken werden, andere andere in anderen Rezepten folgen und dann vielleicht sogar eher weicher sind, weil die vielleicht mehr Wasseranteil hatten oder so was. I don't know ja, aber wenn man das genau trennen möchte von der von der Korrelation, was hat wirklich was hätte denn eine Maßnahme, wenn ich an 1 Stellschraube x drehe für einen Effekt, dann brauchst Du da halt die Cosal Inference oder auch dieses Blaming, was wäre wenn, also das Brot ist jetzt zu trocken geworden. Woran hat's denn gelegen? Das ist dann auch eben so eine kausale Fragestellung, die ich abantworten kann, wenn ich meinen, wenn ich mich auf einen Graph jetzt festgelegt habe. Mhm. Ja.

Speaker0: Ja genau. Also da bist Du ja dann im Endeffekt wieder bei den 3 Judia Perlschen Kategorien, ne. Also Intervention, woran hat's gelegen und was wäre gewesen, wenn? Na, die 1. Ist ja quasi Beobachtung, also die die die statistische. Ach stimmt. Ja, bei Also quasi die, wie nennt er die?

Speaker1: Weiß nicht, also observation halt. Observation klar. Also Du beobachtest, dass das gibt dir Informationen über etwas anderes. Das ist Ja. Die 1. Und dann ist der die Intervention und dann die What if, die Counter Facts. Counter Factsure.

Speaker0: Genau. Ja, Und jetzt pass auf. Angenommen, weil das 1. Ist ja hier hier hier Graph in Vierance, ne. Das heißt, ich ich hab 'n Satz Daten und ich möcht jetzt erst mal rausfinden, zum Beispiel Stichwort wieder die Separation, welche welche Graphen kommen denn überhaupt infrage? Genau. Das 2. Ist, ich habe ein Modell gegeben. Jetzt lass mich mal Folgendes konstruieren, und zwar angenommen, ich habe n Kandidaten, sagen wir mal, keine Ahnung, Ahnung, 2, nimmt man uns einfach, 2 Kandidaten für 'n Modell. Ich bin mir nicht ganz sicher. Ja. Wo wo in dieser Systematik würdest Du das einordnen?

Speaker1: Zwischen unseren beiden Use Cases quasi. Genau, genau, weil das ist ja weder das eine noch das andere. Da kannst Du einfach deine kannst Du quasi deine Vorhersagen mit beiden berechnen und dann vergleichen. Oder Du sagst, ich möchte mich erst mal zwischen beiden entscheiden. Ja dann greifen quasi die die allgemeineren Fragestellungen dass ich möchte den Graphen finden und da gibt's ja quasi 2 Strategien oder 2 Werkzeugkoffer das 1 was Du angesprochen hast die die separation Die haben wir ja schon mal in, denke ich, schon das ein oder andere Mal erwähnt. Also da geht's darum, dass es die, dass die steht, habe ich übrigens jetzt mittlerweile gelernt für das directed im directed Graph.

Speaker0: Nein.

Speaker1: Also die das ist ein da geht's dann quasi statistische Tests du sagst ich konditioniere auf einen meiner Parameter also ich sag den halte ich fest im Beobachtungs Sinne also ich konditioniere darauf Ich nehme ja zuerst nur die Daten bei denen zum Beispiel, bei diesem California School zu bleiben, bei dem genau keine Ahnung 50 Computer in der Schule waren, okay? Mhm. Und dann schaue ich, ob gegeben dieser Einschränkung, sodass ich Daten darauf gefiltert hab, eine Praxis bedeutet, dass natürlich immer irgendwie son schmales Band die 50, gegeben diese Einschränkung teste ich dann, ob Dinge unabhängig sind. Also in erster Linie zum Beispiel Korrelationskoeffizienten oder bisschen nichtlineare Erweiterung, da gibt's dann natürlich 'n ganzen Zoo von statistischen Unabhängigkeitstests, die Du dann anwenden kannst, dann bei anderen paar variablen Parameterpaaren diesen Unabhängigkeitstest zu machen. Und daraus ergeben sich halt gewisse Konsequenzen graftheoretisch für wenn er die separation gegeben ist oder eben nicht gegeben ist für wie der Graph gestrickt sein kann und da kannst Du dann quasi ja ganz ganz viele von diesen Tripeln quasi bilden also was hältst Du fest und welches Paar testest Du auf Unabhängigkeit und dadurch kannst Du natürlich von der massiven riesen Kombinatorik an möglichen Graphen, wie viele mögliche Pfeile kann ich ziehen, nur bevor ich Kreise baue? Das sind schon eine ganze Menge. Und dann kann ich das schon mal stark eindampfen. Und dann kriege ich sozusagen so diese, gibt's irgend eine graf theoretische Äquivalenzklasse wahrscheinlich oder wie man das dann korrekt nennt, von denen, die quasi die gleichen Deseparations haben. Und das Schöne an den Deseparations ist, die kann ich im Prinzip ja fast modellunabhängig testen. Ich muss halt nur meinen Datenraum entsprechend zuschneiden. Wenn der natürlich wenn ich nicht so so so viele Daten hab, dann wird das Schneiden natürlich schwierig, ne? Also das dann schon mal so eine Anforderung, diese Deseparation Tests zu machen, muss ich schon eine gewisse Datenbasis haben, damit ich, wenn ich auf einen Parameter konditionieren will, ich nachhaltig nur noch 3 Beispiele hab. Ja.

Speaker0: Na ja. Und im Beispiel mit meinen beiden Kandidaten, wenn die aus Sicht der die Separation in der Äquivalenzklasse

Speaker1: leben dann genau tja dann erstmal tja genau weil da weiter bringt dich die die Separation nicht also Beispiel bedingt AB oder bedingt BA die Separation ist die gleiche ich habe hier ja gar keinen Gewinn und diese quasi so Umkehrungen von Pfeilen und sowas das hast Du da ganz viel dass das da innerhalb der Äquivalentsklasse so geht aber und dann musst Du quasi ins nächste dann musst Du schon dann bist Du Modellvergleich ja dann musst Du eigentlich ein Modell dann an deine Daten finden und die Performance vergleichen und die Komplexität des Modells also quasi also das eine Modell hat vielleicht 70 interne Parameter das andere einhundertsiebzig dann ist jetzt wenn Sie die Daten gleich gut finden das mit 70 zu bevorzugen nach sozusagen der orcams Razor Regel und das kann man auch statistisch bisschen bessere Füße stellen das wäre dann die Evidenz das ist also in der basion Statistik die ja könnt ihr nachschlagen wie die wie die berechnet wird und dieser Woche ja die ist halt immer sehr sehr sehr teuer zu berechnen also das ziemlich gibt ja also die die exakt zu berechnen da müsste dann bei so Sachen wie nester Sampling die halt doch ihre Zeit brauchen oder muss es halt irgendwie approximativ geht mit manchen variational Base Methoden natürlich approximativ aber sagen wir mal so Evidenz berechnen das möchtest Du nicht für alle Kandidaten aber wenn Du 2 hast why not und dann hast Du quasi kannst Du die Evidenz vergleichen und dann hast Du sowas wie ja Modell A ist hat eine hundertmal höhere Evidenz als Modell B oder sowas da kriegt man schnell solche Quotienten hin und dann hast Du dich für dann kannst Du dich für dein Modell entscheiden und mit der die Separation kannst Du deine Kandidaten schon mal stark eindampfen dann machst Du vielleicht dann kannst Du vielleicht zum Beispiel die dir dann übrig bleiben noch sichten und dann machst bringst Du vielleicht noch mal deinen Verstand ein was Du für plausibel hältst und dann hast Du vielleicht noch mal runtergedampft dann hast Du vielleicht noch noch ein paar übrig und auf die machst Du dann trainierst Du Modelle und versuchst die Evidenz zu berechnen oder abzuschätzen sofern Du dir es leisten kannst das ist doch sofern es dir leisten kannst oder es gibt immer noch eine größere Proximation

Speaker0: Ist es nicht der der der 2. Satz? Also der 1. Satz, hallo Studenten, das ist Satz von Base. Und dann, ja, und was ist das deinem Nenner? Ja, das ist die Evidenz, die die Vernachlässigung Ist wieder Talk gebaut.

Speaker1: Ja, genau. Ja, der Nenner in theorien, das ist die.

Speaker0: Genau. Okay, also und auch die die Datenkomponente hast Du jetzt schon damit angesprochen, bei den aufgrund der Schnitte brauche ich immer sozusagen ein Gewinde ein gewisses Mindestmaß an Daten mir diese Schnitte leisten zu können genau bei der kausalen in vierance

Speaker1: na ja da hast Du diese Schnitte nicht du brauchst da halt dann genug Daten ein Modell zu trainieren was eine entsprechende, sage ich mal, Menge an Parametern halt hat. Das hängt dann von der Komplexität deines Modells. Wenn Du nur lineare Zusammenhänge oder sowas nimmst, dann sind's natürlich weniger Parameter, als wenn Du da irgendwas hochkompliziertes nimmst. Aber generell geht in beiden Fällen, Du hast da son typischen machine learning Datensatz. Das heißt, Du stellst dir vor als Tabelle, jede Spalte ist ein Parameter, jede Zeile ist ein Beispiel und die Beispiele sollten iID Samples sein also identicaly independent and identicaly distributed also wirklich quasi ja einfach unabhängige zufällige Beispiele die quasi der gleichen Verteilung der Folgen soll also die Verteilung könnt ihr euch vorstellen ist das was das Modell dann insgesamt abbildet und da kann natürlich wenn ich so Sachen wie Population Mixing habe da kann mir das genauso hier wieder das Genick brechen oder das Leben schwer machen wenn gerade das was das Mixing ausmacht dann nicht Teil des Modells ist und so weiter also Beispiel Männer Frauen Größe Bartwuchs oder sowas und wenn dann aber das Geschlecht nicht Teil der Daten ist dann fehlt halt dann fehlt der Elefant im Raum das hat man da die auch dieses Problem aber wenn man den Elefant im Raum mit drin hat in den Parametern oder wenigstens im Modell dann hat man mit der Curse in Firance dann gute Chancen wenigstens also die anderen Effekte trotzdem korrekt zu berechnen genau ich habe ja gesagt wenn man den Graph hat dann will man ihn ja mit quantitativen Leben befüllen was bedeutet das das bedeutet das für diese Kanten also die Pfeile die im gerichteten Graphen existieren, die zum Beispiel sagen, dass C von A und B abhängt, dass dann halt letztendlich irgendeine Funktion interpoliert wird, die A und B als Input hat und C als Output. Das ist also quasi 'n Regressionsproblem. Und das kann dann quasi in den Kontext von Wahrscheinlichkeiten eingebettet werden, dann sind wir bei einem basischen Netz, aber man kann's auch einfach mit Plänen Regressoren machen, die quasi dann entlang dieser Kantengruppen gebildet und trainiert werden. Und dann kann ich damit machen. Mhm.

Speaker0: Ich denke, damit haben wir's gut abgedeckt oder? Beide Szenarien klar eingeordnet?

Speaker1: Ich hoffe doch. Wenn nicht, werden wir vielleicht mit Fackeln und Mistgabeln von p value Jüngern verfolgt.

Speaker0: Ja, ja. Davon wollen wir nicht ausgehen. Davon wollen wir nicht ausgehen. Nee, ich frage, weil weil ich hatte dir ja versprochen, noch ein Beispiel aus dem Feld der Depressionen auf Lager zu haben.

Speaker1: Ach stimmt.

Speaker0: Und und zwar ich würd ich ich würd da kurz eingehen wollen und stell schon mal vorab die Frage, ob Du hier 'n Ansatzpunkt siehst, dass man mit kausaler Inference dann noch mal mehr rausholt. Aber erst mal jetzt zum Setting. Konkret, ich hab in den Wissenschaftsnachrichten gelesen von 1 Studie Ehre dem Erde gebührt. Der Chef dieses Forschungsteams, Ias Daglass vom Broad Institute in Cambridge. Die haben analysiert, wie das Depressionsrisiko vom Chronotyp abhängt. Was ist der Chronotyp? Das ist, wie Du veranlagt bist, ob Du eher früh aufstehst und früh ins Bett gehst oder eben nicht.

Speaker1: Ja. Okay. Also Eulen und Lerchen oder irgendwie? Eulen und Lerchen, ja genau, genau.

Speaker0: Ich find aber, das das wird auch nicht allen gerecht. Ja, es gibt nicht, es das Leben ist nicht binär. Ich bin dafür bissel mehr Diversität, weil es gibt auch Menschen, die stehen spät auf und gehen früh ins Bett. Anyways. Na ja, und worum ging's jetzt bei der Studie? Nämlich hatten wir festgestellt, also runtergekocht, kocht auf einen Satz, jede Stunde, die Du früher getaktet bist mit Aufstehen und ins Bett gehen, senkt das Risiko für eben die Erkrankung 1 Depression. Und die haben das aufgezogen. Also erstens, was ich schon mal cool fand, die die Stichprobe, die lag bei 840000 Menschen. Das liest mir häufig, ja, wir haben hier eine Studie durchgeführt, repräsentativ haben wir 5 Personen ausgewählt und 3 davon sind der Schwager meiner Cousine, vierten Grades irgendwie so, ja. Na ja, also die haben erstens schon mal eine ordentliche eine ordentliche Basis und haben dann sich auch nicht hinreißen lassen zu sagen, aus a folgt jetzt sofort b, ja. Sondern was die dargestellt haben, ist, okay, wir haben diese Korrelation gefunden. Wir sind uns aber nicht sicher, woran es liegt. Und das ist vielleicht auch mal 'n schöner Gegenpol zur verehrten Statistik der Woche. Das fand ich sehr, sehr ehrlich, dass die halt einfach auch klarstellen, okay, wir haben hier Kandidaten, nämlich das 1. Wär, die Vermutung steht im Raum, wenn Du 'n Frühaufsteher bist, dann kriegst Du mehr Morgensonne ab, dann wird Serotonin ausgeschüttet und das, von dem weiß man, dass das Depressionen unterdrückt oder vermeiden oder verhindern kann. Und das andere auch, eine coole Hypothese, auf die muss man erst mal kommen, aber die haben formuliert, das haben wir ja auch extra rauskopiert. Wir leben in 1 Gesellschaft, die auf morgen Menschen ausgelegt ist. Nacht Eulen haben deshalb oft das Gefühl, anders getaktet zu sein als die gesellschaftliche Uhr. Ja, das ist total cool. Hast Du denn ausgrenzt quasi, ja. Ja, ja, genau. Dann hast Du dann son Ausgrenzereffekt irgendwo, dass Du dann dich schlecht fühlst, weil Du passt irgendwie nicht zum Rest der Gesellschaft. Und das fand ich also wie gesagt einfach mal ehrlich, das auch zu sagen, so und nicht, okay, wir haben hier alles komplett verstanden und das liegt jetzt genau an dem. Aber trotzdem habe ich mir dann schon die Frage gestellt, gibt's nicht 'n Ansatzpunkt, genau diese Fragestellungen jetzt zu quantifizieren? Mhm. Mhm.

Speaker1: Also na ja, gut, wir haben jetzt ja quasi, wenn man so will, was für Graphen können wir hier bauen ne also wir können ja einmal den Graphen bauen schlafdauer bedingt Depressionsaffinitäten ist jetzt mal oder wir können ja auch die Counter These stellen depressionsaffinität bedingt Schlafdauer ja also vielleicht ist ja jemand der schon Depression hat der kommt einfach nicht aus dem Bett wenn ihr auch seid so wenn wir jetzt erstmal und dann gibt's natürlich noch die andere Möglichkeit die haben beide eine gemeinsame Ursache also sind beides Symptome etwas von etwas tieferen beispielsweise genetisches und was natürlich wichtig wäre also weil wenn Du also quasi wenn wir sagen würden es liegt wie wie an dieser Morgen sondern dann könnte man ja quasi dann postuliert also dann können wir ja annehmen Junge stehe einfach früher auf dann geht's dir schon besser aber wenn es einen gemeinsamen genetischen Faktor hat dann endet es nichts dann kannst Du die Depression heilen und der Typ schläft trotzdem länger und Du kannst die den früher aufstehen lassen, dann hat trotzdem noch Depressionen, weil's ja dann quasi, weil weil's beides auf den genetischen Faktor zurückgeht. Und der die andere Erklärung finde ich auch sehr interessant mit dem gesellschaftlichen Stigma. Wie sieht denn da der Graph auf das ist dann weil ich lange schlafe das hat einen Effekt auf meinen Social Value und mein Social Value hat einen Effekt auf mein meine Depressionswahrscheinlichkeit was jetzt erst mal die gleiche Klasse ist wie das 1. Quasi, dass das quasi der aus dem aus dem Schlafdauer die Depression folgt. Ja, da gibt's halt noch einen Mediator dazwischen, aber das ist ja irgendwie immer richtig, dass noch irgendwas dazwischen ist. Aber die Richtung ist die gleiche. So, aber wie könnte man das Ganze jetzt versuchen zu testen? Also erst mal diese Pfeilrichtung, quasi Vorwärtspfeil oder Rückwärtspfeil. Da können wir jetzt zumindest mal 'n Modell formulieren oder 2 Modelle besser gesagt und deren Evidenz ausrechnen und mal schauen, was draus wird. Aber eben, Dividenden werden sind sind schnell over confidente. Also Du kriegst halt schnell irgendwie son Faktor 100 zwischen den beiden Modellen und da belegt dann irgendwie sone ganz Subtilität. Das Das ist vielleicht die Gaußsche Statistik, die Du angenommen hast, passt halt nicht so, im echten ist es halt irgend eine Student Te und in der einen Richtung kommt das halt weniger zu tragen und zack, hast Du son Faktor 100. Also da muss man einfach vorsichtig sein, dass man das dann nicht gleich überinterpretiert, aber zumindest ist es formell möglich dass die Alternative mit dem mit der gemeinsamen Ursache da wird's dann schon ein bisschen schwieriger weil Du müsstest ja dann irgendwie Kandidaten für diese gemeinsame Ursache ermitteln und dann Modelle damit halt bauen oder wenigstens die Separation damit dann versuchen aber dafür musst Du halt erstmal diese Kandidaten haben und auch die Daten für diese Kandidaten an ich glaube wenn Du da diesen Kandidaten nicht hast und keine Daten dafür, dann tust Du dich schwer, das als Modell quasi. Du könntest das formell natürlich alles irgendwie raus marginalisieren, aber dann bleibt wahrscheinlich nicht mehr viel Information übrig. Und bei dem mit der Gesellschaft, na ja, da müsstest Du wahrscheinlich, da ist ja der Graf quasi Schlafmangel bewirkt Stigma Stigma bewirkt Depressionen und quasi oder und kein direkter Pfeil von Schlafmangel auf Depression mehr quasi jedes Modell. Und wenn man sowas wie das Social Stigma irgendwie mit erfasst, vielleicht könnt man irgendwie, vielleicht hat kann man ja bei den Leuten noch fragen, weiß denn dein Umfeld, dass Du lange schläfst? Und wenn das keiner weiß weiß nicht also dann bist Du eine gewissen Uhrzeit kann man das ja wahrscheinlich verstecken also wer weiß schon ob Du frisch aufgestanden 9 Uhr am Homeoffice Rechner bist oder schon seit 4 Stunden wach bist dann könnte man das schon testen und das dann auch testen gegenüber dem anderen Graphen wo vielleicht noch der direkte Pfeil zusätzlich existiert also ja über Evidenzen und in der einen oder anderen Fall auch über die separation könnte man das dann versuchen einzugrenzen aber man wird irgendwelche zusätzlichen Daten wahrscheinlich brauchen müssen Also kann die letztendlich Hypothesen aufstellen, die die Daten dazu erfassen und diese dann testen.

Speaker0: Also ich muss noch mal, ich merke schon, ich muss noch mal genau in die Studie reingucken. Allein schon, denen noch mal auf dem Zahn zu fühlen, wie wie die da gearbeitet haben. Ich hab nämlich jetzt grade festgestellt, dass auch so wie Du das unterschiedlich konstruiert hast, in dem Artikel zu dem Paper nicht unterschieden wird. Die haben sich die genetischen Faktoren, also die genetischen Marker angeguckt zwischen bist Du per Genom, Eule oder Lerche oder stehst Du wirklich früh auf oder stehst Du spät auf? Ja, also das wird auch in dem in der in der Veröffentlichung vermischt. Oh, ja, das ist natürlich immer sehr interessant dann, ne. Ja, richtig. Und ich unterstelle jetzt, dass es quasi eine Ungenauigkeit des populärwissenschaftlichen Berichts ist einfach, ja, dass dass das da in den Topf geworfen wurde. Und ich hoffe mal, dass die das in der Studie Ich ich gehe mal davon aus, dass die das genauer da betrachtet haben. Aber das ist superinteressant.

Speaker1: Ja, aber das heißt, wenn diese Daten dabei sind, also wenn wir jetzt mal sagen würden, werden die Daten, die Genom Daten, dann die Verhaltensdaten und die Depressionen. Dann können wir natürlich schon den den quasi ausgehen, folgt Schlaf, folgt Depressionen versus ausgehen, folgt Depression, folgt Schlaf, versus ausgehen folgt Schlaf, versus ausgehen folgt beides. Dann kann man die alle gegeneinander vergleichen über die Separation und Evidenz

Speaker0: grundsätzlich. Ja. Oje, oje. Weißt Du, was ich grad sehe? Nein. Ich glaub, ich les da doch nicht rein. Die haben am Ende mit p-values ihre Ergebnisse bewertet. Okay. In diesem Sinne,

Speaker1: Maxime, es hat Es bleibt ihm nichts übrig, sonst wird's zum Raffinerie nicht akzeptiert. Wahrscheinlich, wahrscheinlich.

Speaker0: Oh man. Wir wir wir müssen ja aufhören, sonst wär werd ich noch depressiv. Nee, jetzt im Ernst. War echt cool. Rap-up, schön schönes schönes, nettes Rap-up, so bleiben wir mal im Deutschen. Zu den zur Fragestellung, bei welcher Art von Problem es Sinn macht, kausale Inferenz zu benutzen. Mhm. Jo, in diesem Sinne, wenn ihr als Complexity Masters da meinen Dialog eintreten möchtet, also es sind alle herzlich eingeladen. Unser E-Mail-Up gibt's nach wie vor immer dienstags. Die Community wächst. Man findet's sehr gut mittlerweile über Meet-up dot com. Genau, das ist Data Science Meet-up in München. Also man muss da immer, das irgendwie strange kommt wahrscheinlich aus dieser komischen Zeit, wo man sich noch in echt getroffen hat und nicht nur virtuell. Genau, also ist das Date Design Meetup in München, ist aber nach wie vor immer per Zoom. Wer da Bock hat, kann sich einklinken. Und jo, genau, würd mich freuen, euch da zu sehen. Was auch noch cool ist, das wollt ich auch noch hinzufügen, mich erreichen auch immer noch Lösungen für unsere Challenge. Wer auf the ihrem Podcast Punkt d e oder kommen, ist egal, mal auf die seite schaut es gibt im menü oben immer noch den eintrag wie heißt es genau contest es gibt den the ihrem podcast contest und da da tröpfeln immer wieder mal noch Lösungen rein Schaut's mal auf die Seite, das ist verwandt mit Monty Hall, mehr möchte ich nicht verraten, ja. Und das Spannende ist, die meisten, die meisten Einsendungen gehen uns da aufn Leim. Wir haben einen kleinen Trick eingebaut und ich wär mal gespannt, ob's ob's noch jemand packt, die richtige Lösung rauszufinden. Jo, genau. So, das wollte ich noch teilen. In dem Sinne, Maxim,

Speaker1: herzlichen Dank. Herzlichen Dank. Und danke.

Speaker0: Genau, wir wir sprechen uns nächste Woche. Es hört sich jetzt so an, wie wenn wir sonst nix zu tun hätten. Wir sprechen uns morgen und ansonsten zur nächsten Podcastfolge nächste Woche. Jetzt Genau. Mach's gut. Tschau, tschau. Tschau. Meisterity kommt Nic City.

Speaker2: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

Mehr Folgen aus Staffel 4 →