Neues Verfahren identifiziert Kausalzusammenhänge aus Counterfactual-Daten

In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein neues Verfahren vorgestellt, das es ermöglicht, kausale Zusammenhänge aus sogenannten Counterfactual‑Daten zu identifizieren. Bisher beschränkten sich Vollständigkeitsresultate für die Identifikation von Counterfactuals auf Beobachtungs‑ oder Interventionsdaten – die sogenannten Layer 1 und 2 der kausalen Hierarchie. Das neue Konzept der „Counterfactual Realizability“, das 2025 von Raghavan und Bareinboim definiert wurde, hat gezeigt, dass bestimmte Counterfactual‑Verteilungen experimentell erfasst werden können. Diese Erkenntnis eröffnet die Möglichkeit, Daten aus Layer 3 zu nutzen.

Das vorgestellte CTFIDU+‑Algorithmus kann nun Counterfactual‑Anfragen aus beliebigen Layer‑3‑Verteilungen identifizieren und ist dafür vollständig. Damit wird der theoretische Grenzwert dafür bestimmt, welche Counterfactuals aus physikalisch realisierbaren Daten exakt ermittelt werden können. Das Ergebnis legt die fundamentale Grenze für exakte kausale Inferenz im nicht‑parametrischen Rahmen fest.

Da bestimmte kritische Counterfactuals dennoch nicht identifizierbar sind, liefert die Arbeit analytische Schranken für diese Größen. Simulationen zeigen, dass Counterfactual‑Daten die Schranken für nicht identifizierbare Quantitäten in der Praxis deutlich schärfen. Diese Fortschritte markieren einen wichtigen Schritt in der praktischen Anwendung kausaler Inferenz, indem sie die Grenzen des Möglichen klar definieren und gleichzeitig neue Möglichkeiten zur Schätzung eröffnen.