”Liikunta parantaa koulumenestystä.” ”Kävele reippaammin niin elät kauemmin.” ”Ruokavalio vaikuttaa suolistosyöpien kehittymiseen bakteerien välityksellä.” Nämä kaikki ovat esimerkkejä suomalaisissa tiedotusvälineissä julkaistuista uutisista, joissa esitetään väite kausaalisuudesta eli syy-seuraus-suhteesta. Kansalaisen, toimittajan tai tutkijan ei useinkaan ole helppo varmistua tiedeuutisissa esitettyjen väitteiden luotettavuudesta. Voisiko havaitulle yhteydelle olla vaihtoehtoinen selitys, esimerkiksi sattuma tai havaitsematon sekoittava tekijä?
Kausaalipäättelyn perusongelma on mahdottomuus mitata tietty vaste samanaikaisesti sekä silloin, kun jokin toiminta suoritetaan, että silloin, kun sitä ei suoriteta. Oppilas ei voi samanaikaisesti harrastaa ja olla harrastamatta liikuntaa. Perusongelmasta huolimatta kausaalipäättely ei ole mahdotonta mutta edellyttää perusteltuja oletuksia ja huolella suunniteltuja tutkimusasetelmia.
Nykyaikaisessa kausaalipäättelyssä alakohtainen asiantuntemus jalostetaan ensin yhdeksi tai useammaksi kausaalimalliksi. Tämän jälkeen varsinainen päättely on suurelta osin automatisoitavissa. Dataa tarvitaan estimointiin ja sen avulla voi osoittaa jonkin mallin vääräksi. Data – oli sitä kuinka paljon tahansa – ei kuitenkaan yksinään riitä kausaalipäättelyn perustaksi.
Kausaalipäättelyn teoria on viime vuosikymmeninä kehittynyt valtavin harppauksin erityisesti Turing-palkitun Judea Pearlin ja hänen tutkimusryhmänsä ansiosta. Työn tuloksena on syntynyt menetelmiä, joiden avulla tutkija pystyy selvittämään, millaisia kausaalipäätelmiä annettujen oletusten vallitessa on mahdollista tehdä. Tällaisia kausaalipäättelyn työvälineitä on kehitetty myös matematiikan ja tilastotieteen laitoksella osana profiloitumisalaa ”Decision analytics utilizing causal models and multiobjective optimization (DEMO)”.
Syy-seuraus-suhteiden löytäminen on tieteen keskeisin tavoite. Ilmiö on ymmärretty vasta, kun siihen liittyvät syyt ja seuraukset ovat tiedossa. Kausaalivaikutuksen suuruus on yleensä tärkeämpi kysymys, kun sen olemassaolo. Kausaalipäättely on välttämätöntä myös päätöksenteossa: päätökset johtavat toimiin, joiden seuraukset on ymmärrettävä ennen päätöstä. Parempi ymmärrys kausaalipäättelystä johtaa parempaan tieteeseen ja parempiin päätöksiin.
Juha Karvanen, tilastotieteen professori, matematiikan ja tilastotieteen laitos
Tilaa JYUnity-lehti
Tilaa tuoreimmat JYUNITY-jutut näppärästi sähköpostiisi. Voit tarvittaessa peruuttaa tilauksesi koska tahansa.