Der Kurs ist auf zwei Tage ausgelegt. Tag 1 befasst sich maßgeblich mit den theoretischen Grundlagen der Kausalita ̈t und experimentellen Designs zur Messung kausaler Effekte. Tag 2 stellt dann die ga ̈ngigsten Verfahren fu ̈r die Identifikation von kausalen Effekten vor.

Ein zentrales Ziel der empirischen Sozialforschung besteht darin kausale Effekte zu identifizieren. Hatte die Wiedervereinigung Deutschlands einen Einfluss auf das Wirtschaftswachstum? Ist die Armut in Deutschland nach der Hartz IV Reform angestiegen? Profitieren Kandidaten in Wahlen von einem Doktortitel? All diese Fragen stellen die Frage nach dem kausalen Effekt eines bestimmten Ereignisses. Es ist jedoch weitläufig bekannt, dass die reine Korrelation zwischen zwei Variablen noch längst keine Kausalität impliziert. Wie kann man also herausfinden, ob ein kausaler Effekt vorliegt? Zur Beantwortung dieser Frage sind zwei Dinge nötig. Erstens, eine Definition davon was eigentlich Kausalität ist. Zweitens, eine auf diesem Verständnis aufbauende Identifikationsstrategie kausaler Effekte.

Der Kurs adressiert diese beiden Punkte und macht deutlich, dass die Identifizierung kausaler Effekte keineswegs durch die Anwendung mo ̈glichst komplexer statistischer Methoden möglich ist. Das genaue Gegenteil ist der Fall. Liegt ein geeignetes Forschungsdesign vor, dann erlauben meist vergleichsweise simple statistische Methoden die Analyse kausaler Effekte. Von daher ist die Identifikation und Analyse kausaler Effekte im doppelten Sinne interessant. Erstens, ist die Validit ̈at und Aussagekraft einer gut umgesetzten kausalen Analyse deutlich höher als bei konventionellen Analysen, welche nicht direkt auf Kausalita ̈t abzielen. Zweitens rückt die Analyse kausaler Effekte ein wohlüberlegtes Forschungsdesign und eben nicht die mo ̈glichst komplexen statistischen Methoden in den Vordergrund.

Konkret geht der Kurs in zwei Schritten vor. Zunächst liefert der Kurs eine Einführung in das “Potential Outcome Model” (Rubin), welches in weiten Teilen der Sozialwissenschaften als Standardmodell von Kausalität fungiert. Hierauf aufbauend bietet der Kurs eine anwen- dungsorientierte Einfu ̈hrung in die Identifikationsstrategien kausaler Effekte. Dabei wird auch herausgestellt, dass die Messung von kausalen Effekten nicht durch besonders komplexe statis- tische Verfahren gelöst wird, sondern die Schwierigkeit vielmehr in der korrekten Identifika- tionsstrategie und einem angemessenen Research Design liegt. Die Konsequenz hieraus ist, dass nicht mit sämtlichen Daten kausale Effekte gemessen werden können. Ein vertieftest Verst ̈andnis von kausalen Effekten hilft daher auch bei der zukünftigen Entwicklung von (robusteren) Forschungsdesigns. Des Weiteren können hierdurch empirische Beobachtungen dahingehend bewertet werden, ob sie sich zur Analyse von kausalen Effekten eignen.

Im Speziellen werden die folgenden Verfahren zur Identifikation kausaler Effekte behandelt:

• Experimentelle Designs (Laborexperimente, Feldexperimente, Natu ̈rliche Experimente)
• Matching
• Differences-in-Differences
• (Generalized) Synthetic Control Method
• Regression Discontinuity Designs • Conjoint (Survey-)Experimente