Tiistai 27.8.2019
klo 15.45 – 17.15
Sali: Juhlasali (Päätalo)
Puheenjohtaja Tapio Nummi, tutkimusjohtaja, Tampereen yliopisto
Tehdessään analyysejä tutkija on usein kiinnostunut ilmiöiden välisistä kausaalisista suhteista. Perinteiset tilastolliset mallit eivät kuitenkaan yleensä varsinaisesti ota kantaa kausaalisuuteen. Sessiossa esitellään muutamia lähestymistapoja, joita on viime aikoina käytetty erityisesti yhteiskuntatieteissä.
Puhujat
Juha Karvanen, Jyväskylän yliopisto
Kausaalipäättelyn uudet menetelmät
Kausaalipäättelyn teoria on kehittynyt voimakkaasti viime vuosina. Tämän kehityksen tuloksena on syntynyt graafisiin malleihin perustuva lähestymistapa aineiston ja asiantuntemuksen yhdistämiseksi. Lähestymistapa korostaa sitä, että kausaalipäättely ei ole mahdollista pelkästään datan perusteella, vaan vaatii aina lähtökohdakseen kvalitatiivista tietämystä asioiden välisistä todellisista tai oletetuista syy-seuraussuhteista. Asiantuntemuksen esittäminen formaalina kausaalimallina mahdollistaa kausaalipäätelmien tekemisen myös havainnoivien tutkimusten perusteella. Kausaalivaikutus on identifioituva, kun se voidaan estimoida käytössä olevasta aineistosta oletetun kausaalimallin pohjalta. Teoreettisen tulosten avulla identifioituvuus on mahdollista tarkastaa ilman, että aineisto varsinaisesti on käytettävissä. Tämän ansiosta kausaalivaikutusten identifioituvuutta on mahdollista tarkastella jo tutkimusta suunniteltaessa. Keskeisimmät algoritmit identifioituvuuden tarkastamiseksi ovat saatavilla avoimen lähtökoodin toteuksina. Kaikkein uusimmat tulokset laajentavat kausaalipäättelyä tilanteisiin, joissa käytössä on useita erilaisia tutkimuksia. Nämä tutkimukset voivat olla havainnoivia tai kokeellisia, ja niihin voi liittyä myös valikoitumista ja puuttuvaa tietoa. Uusien menetelmien avulla kausaalivaikutusten identifioituvuus on selvitettävissä näissäkin tilanteissa.
Pertti Töttö, Itä-Suomen yliopisto
Kausaalisuus, kausaalipäättely ja polkuanalyyttinen lähestymistapa kausaalianalyysiin
Kausaalisen tiedon tärkeys riippuvuuksia koskevaan tietoon verrattuna. Kausaalisuuden määrittelyn helppous ja kausaalipäättelyn vaikeus. Satunnaistaminen koeasetelmassa, tilastollinen vakiointi ei-kokeellisessa asetelmassa. Vakioinnin ongelma. Graafinen lähestymistapa kausaalianalyysiin (polkuanalyysi, rakenneyhtälömallit). Polkuanalyysin peruskäsitteet. Kenneth Bollenin ja Judea Pearlin selvitys rakenneyhtälömalleja koskevista väärinkäsityksistä.