Causal-Audit: Risikobewertung von Annahmeverletzungen in Zeitreihen-Kausalität

Ein neues Tool namens Causal-Audit bietet Forschern eine systematische Möglichkeit, die Zuverlässigkeit von Zeitreihen-Kausalitätsmethoden zu prüfen. Das Framework bewertet fünf zentrale Annahmen – Stationarität, Unregelmäßigkeit, Persistenz, Nichtlinearität und Konfundierungsproxies – und wandelt die daraus gewonnenen Diagnosen in vier kalibrierte Risikobewertungen um, die mit Unsicherheitsintervallen versehen sind.

Auf Basis dieser Risikobewertungen trifft Causal-Audit eine abstention‑bewusste Entscheidung: Es empfiehlt nur dann spezifische Verfahren wie PCMCI+ oder Granger‑Kausalität, wenn die Evidenz für eine zuverlässige Inferenz stark genug ist. Andernfalls weist das System ab, sodass Fehlinterpretationen von fehlerhaften Graphen vermieden werden.

Die Leistungsfähigkeit des Ansatzes wurde an einem synthetischen Atlas von 500 Datengenerierungsprozessen getestet, die zehn verschiedene Verletzungsfamilien abdeckten. Die Resultate zeigen eine hervorragende Kalibrierung der Risikobewertungen (AUROC > 0,95), eine Reduktion von 62 % falsch positiven Empfehlungen und eine Abstention von 78 % bei schwerwiegenden Verletzungen.

Zusätzlich wurden 21 externe Tests aus den Plattformen TimeGraph und CausalTime durchgeführt. In allen 18 Kategorien von TimeGraph und allen drei Domänen von CausalTime stimmten die „Empfehle‑oder‑Abwähle“-Entscheidungen mit den Benchmark-Spezifikationen überein.

Die Open‑Source-Implementierung von Causal-Audit ist bereits verfügbar und ermöglicht Forschern, die Annahmen ihrer eigenen Studien automatisch zu prüfen und fundierte Entscheidungen über die Anwendung von Kausalitätsmethoden zu treffen.