Wie groß muss ein assoziativer Mittelwert-Unterschied sein, um für einen kausalen Effekt zu sprechen?

Mit ihrer jüngsten Veröffentlichung haben unser Statistikexperte Michael Höfler und seine Kolleginnen Ekaterina Pronizius und Erin Buchanan der wissenschaftlichen Gemeinschaft ein Weihnachtsgeschenk gemacht.

Sie erörtern Bias in Beobachtungsstudien durch unberücksichtigte gemeinsame Ursachen von Faktor und Outcome, von welchen Größen dieser Bias abhängt und wie er berücksichtigt werden kann. Sie schlagen höhere Schwellen für konfirmatorische Tests vor als die, die zum Testen von Assoziationen verwendet werden. Sie zeigen, wie die Größen visualisiert werden können und wie sie sich darauf auswirken, ob ein kausaler Effekt unterstützt wird oder nicht. Dazu gibt es ein R-Paket und eine Shiny-App namens ViSe.

Für weitere Informationen finden Sie den vollständigen Artikel hier