Kausalanalyse ohne Experimente

Kausalanalyse ist ein zentraler Ansatz in der Forschung, der den Fragen nachgeht, warum ein Phänomen auftritt oder wie es zustande kommt. Randomisierte kontrollierte Studien (RCTs) sind der Goldstandard zur Untersuchung von Ursache und Wirkung: Personen werden zufällig zwei Gruppen zugewiesen, die sich in jeder Hinsicht gleichen, außer in einem untersuchten Faktor – das berühmte Medikament vs. Placebo Setting. Unterscheiden sich die Gruppen in ihren Ergebnissen (z.B. eine Gruppe bleibt krank während die andere gesund wird), können wir diesen Unterschied diesem Faktor zuschreiben, da keine anderen systematischen Unterschiede zwischen den Gruppen bestehen.

Allerdings sind RCTs in den Digital Humanities meist nicht verfügbar, da Experimente nicht durchgeführt werden können: Historische Akteure sind nicht mehr zugänglich, Texte sind bereits geschrieben, vergangene Ereignisse lassen sich nicht wiederholen, und Gesellschaften können nicht experimentell manipuliert werden. Wir sind daher auf Beobachtungsdaten angewiesen. Wie können wir in solchen Kontexten dennoch Kausalanalysen durchführen und Fragen beantworten wie: Wie wirkte sich die Europäische Reformation auf das Wirtschaftswachstum im Europa des 16. Jahrhunderts aus? Wie beeinflusst das Geschlecht von Autor*innen die stilistischen Merkmale ihrer Romane? Und warum wirkt sich die Genrenvielfalt im Repertoire eines Theaters auf dessen Besucherzahlen aus?

In diesem Workshop lernen wir Methoden der kausalen Inferenz für Beobachtungsdaten kennen. Zunächst vertiefen wir unser theoretisches Verständnis von Kausalität mithilfe des Potential-Outcomes-Frameworks und nutzen visuelle Werkzeuge, um kausale Modelle zu konstruieren—also die angenommenen Zusammenhänge zwischen Variablen einer konkreten Forschungsfrage explizit zu machen. In einem zweiten Schritt erhalten wir einen Überblick über etablierte statistische Verfahren der kausalen Inferenz, darunter Regression-Discontinuity-Designs, Instrumentvariablen und Difference-in-Differences. In einem dritten Schritt wenden wir eines dieser Verfahren—Difference-in-Differences—auf unsere eigenen Datensätze an.

Der Workshop richtet sich an alle, die in ihrer Forschung kausale Fragen untersuchen und dafür einen systematischen Ansatz suchen.

Er ist auch für Teilnehmende geeignet, die noch keinen eigenen Datensatz haben, aber kausale Inferenz künftig anwenden möchten: Teilnehmende können mit einem Beispieldatensatz arbeiten und lernen, welche Anforderungen ihre zukünftigen Daten für Kausalanalysen erfüllen müssen, was die Datengenerierung erleichtert.

Zur Vorbereitung des BYODL können Sie sich folgende Selbstlerneinheit zur Inferenzstatistik von Dr. Golnaz Sarkar Farshi ansehen: https://hermes-hub.de/lernen/resourcebase/resources/data-visualization-for-storytelling-and-statistical-inference.html

Zur Expertin:

Dr. Ramona Roller ist Postdoktorandin in Computational Sociology am Department für Soziologie der Universitäten Groningen und Utrecht in den Niederlanden.

Ihre Forschung beleuchtet soziale Transformationen und Kooperationsverhalten in modernen und historischen Gruppen, wie Arbeitsteams in der IT-Branche und Gelehrtengemeinschaften während der Europäischen Reformation. Zum Beispiel analysiert sie, wie sich Hierarchien innerhalb einer Gruppe auf deren Produktivität auswirken oder wie sich der Protestantismus in Europa verbreitete. Hierzu verwendet sie große Datenbestände (z. B. Briefkorpora und Kollaborationsplattformen), Netzwerkanalysen und kausale Inferenzmethoden.

Anmeldung

Die Anmeldung ist bis zum 26.06.2026 möglich. Die Teilnehmendenzahl ist auf 10 Teilnehmende begrenzt.

Bitte nutzen Sie folgendes Formular: https://nocodb.nfdi4culture.de/dashboard/#/nc/form/f5cda303-05e4-444b-9a98-310847faa46c

Kontakt

Bei Fragen wenden Sie sich an:

Johanna Konstanciak: konstanciakuni-trier.de (konstanciak[at]uni-trier[dot]de)

Vorläufiges Programm

• 9:15 - 9:30 – Begrüßung & einleitende Worte
• 9:30 - 10:15 – Teil 1a: Vertiefung des theoretischen Verständnisses von Kausalität
• 10:15 - 11:05 – Teil 1b: Anwendung der theoretischen Werkzeuge auf eigene Forschungsfrage
• 11:05 - 11:15 Pause
• 11:15 - 11:30 – Teil 1c: Vorstellung der Anwendungsergebnisse im Plenum
• 11:30 - 12:15 – Teil 2: Überblick über statistische Verfahren der kausalen Inferenz
• 12:15 - 13:15 – Mittagspause
• 13:15 - 13:30 – Teil 3a: Einleitung Praxisteil
• 13:30 - 15:15 – Teil 3b: Anwenden statistischer Verfahren auf eigene Datensätze
• 15:15 - 15:30 – Teil 3c: Vorstellung der Anwendungsergebnisse im Plenum
• 15:30 - 15:45 – Feedbackrunde & Verabschiedung