Top

Published in:

2024 | OriginalPaper | Chapter

3. (Kausale) Schlussfolgerungen aus Daten – Überlegungen im Kontext von Data Literacy

Authors : Bianca Krol, Karsten Lübke

Published in: Produktions- und Informationsmanagement

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Datenkompetenz erfordert die Fähigkeit, Schlussfolgerungen auch aus komplexen Beobachtungsdaten zu ziehen. Diese Kompetenz hat in den letzten Jahren nicht nur immer mehr Bedeutung, sondern auch immer mehr Beachtung erfahren. Die Vergangenheit hat gezeigt, dass die Kompetenz, aus Daten die richtigen Schlussfolgerungen zu ziehen, nicht flächendeckend verbreitet ist. Die Gefahr, einem Confirmation Bias zu unterliegen, ist groß. Stereotypen und Vorurteile führen dazu, dass aus Daten häufig nur das herausgelesen wird, was zu den eigenen Einstellungen und Überzeugungen passt. Die nachfolgend gezeigte Studie untermauert diese Annahme. Umso wichtiger ist es, in der statistischen Ausbildung an Hochschulen ein Bewusstsein bei den Studierenden dafür zu schaffen, wie allgegenwärtig Attributionsfehler sind und wo auch Grenzen in der eindeutigen Entscheidungsfindung auf der Grundlage von Daten existieren.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Existiert eine optimale Betriebsgröße für Universitäten? Eine theoretische Synopse und empirische Fallstudienuntersuchung

next chapter Erweiterung der Efficiency Analysis Technique With Input and Output Satisficing (EATWIOS) um die Berücksichtigung von Sanktionen

Vgl. Rohrer (2018).

Vgl. Herbert et al. (2020).

Vgl. Nickerson (1998).

Vgl. Pearson et al. (1899); Yule (1903); Simpson (1951).

Vgl. Pearl (2009).

Vgl. Bickel et al. (1975).

Vgl. Istituto Superiore di Sanità (2020).

Vgl. The Novel Coronavirus Pneumonia Emergency Response Epidemiology Team (2020).

Vgl. z. B. Angrist & Pischke (2014); Elwert (2013); Imbens (2020); Pearl (1998); Pearl et al. (2016). Das Konzept der gerichteten azyklischen Graphen fußt auf dem dem älteren Konzept der Pfadanalyse (vgl. hierzu insbes. Wright (1934)) und steht in engem Zusammenhang mit dem kontrafaktischen Ansatz zur Kausalität (oft auch potential outcome framework, vgl. hierzu neben weiteren insbes. Rubin (1978); Rubin (1974); Rosenbaum (2002)), der sich in den letzten Jahren in der wissenschaftlichen Forschungspraxis als weitgehend akzeptiertes Konzept (Rubin Causal Model) von Kausalität etabliert hat (vgl. Gangl & DiPrete (2004)).

Vgl. Pearl et al. (2016, S. 24 ff.).

Vgl. Lübke et al. (2020, S. 134).

Vgl. Kauermann & Wolf (2008).

Vgl. z. B. Chatterjee et al. (1995); Cobb (2015, 2007).

Vgl. Lübke et al. (2020).

Vgl. Greenland (2022).

Vgl. z. B. Fiedler et al. (2003).

Vgl. Ross (1977).

Vgl. LaCosse et al. (2016).

Vgl. z. B. Booth (2009), Olivetti & Petrongolo (2016) und für einen Überblick Kunze (2008).

Vgl. Cummiskey & Lübke (2022); Gehrke et al. (2021); Lübke et al. (2022, 2020, 2019).

Vgl. Nickerson (1998).

Vgl. Ross (1977).

Vgl. Pfannkuch et al. (2018).

Vgl. Lübke et al. (2020).

Vgl. z. B. Neumann et al. (2013).

Angrist, J. D., & Pischke, J.-S. (2014). Mastering ’Metrics: The Path from Cause to Effect. Princeton University Press.

Bickel, P. J., Hammel, E. A., & O’Connell, J. W. (1975). Sex bias in graduate admissions: Data from Berkeley: Measuring bias is harder than is usually assumed, and the evidence is sometimes contrary to expectation. Science, 187(4175), 398–404. https://doi.org/10.1126/science.187.4175.398.CrossRef

Booth, A. L. (2009). Gender and competition. Labour Economics, 16(6), 599–606. https://doi.org/10.1016/j.labeco.2009.08.002.CrossRef

Chatterjee, S., Handcock, M. S., & Simonoff, J. S. (1995). A casebook for a first course in statistics and data analysis. Wiley.

Cobb, G. (2007). The introductory statistics course: A Ptolemaic curriculum? https://www.semanticscholar.org/paper/1006c3d3da19bee7336af47f1d3a1ab2f0cfd94c.

Cobb, G. (2015). Mere renovation is too little too late: We need to rethink our undergraduate curriculum from the ground up. https://doi.org/10.1080/00031305.2015.1093029.CrossRef

Cummiskey, K., & Lübke, K. (2022). Causality in statistics and data science education. AStA Wirtschafts- Und Sozialstatistisches Archiv, 16(3–4), 277–286. https://doi.org/10.1007/s11943-022-00311-9.CrossRef

Elwert, F. (2013). Graphical causal models (S. L. Morgan, Ed.; S. 245–273). Springer Netherlands. http://link.springer.com/10.1007/978-94-007-6094-3_13.

Fiedler, K., Walther, E., Freytag, P., & Nickel, S. (2003). Inductive reasoning and judgment interference: Experiments on Simpson’s paradox. Personality and Social Psychology Bulletin, 29(1), 14–27. https://doi.org/10.1177/0146167202238368.CrossRef

Gangl, M., & DiPrete, T. A. (2004). Kausalanalyse durch Matchingverfahren. DIW Discussion Papers, 401.

Gehrke, M., Kistler, T., Lübke, K., Markgraf, N., Krol, B., & Sauer, S. (2021). Statistics education from a data-centric perspective. https://doi.org/10.1111/test.12264.CrossRef

Greenland, S. (2022). The causal foundations of applied probability and statistics (H. Geffner, R. Dechter, & J. Y. Halpern, Eds.; 1st ed., S. 605–624). ACM. https://doi.org/10.1145/3501714.3501747.

Herbert, A., Griffith, G., Hemani, G., & Zuccolo, L. (2020). The spectre of Berkson’s paradox collider bias in COVID-19 research. Significance, 17(4), 6–7. https://doi.org/10.1111/1740-9713.01413.CrossRef

Imbens, G. W. (2020). Potential outcome and directed acyclic graph approaches to causality: Relevance for empirical practice in economics. arXiv, 58, 1129–1179.

Istituto Superiore di Sanità (Hrsg.). (2020). Epidemia COVID-19. Bollettino Sorveglianza Integrata COVID-19. https://www.epicentro.iss.it/coronavirus/bollettino/Bollettino-sorveglianza-integrata-COVID-19_09-marzo-2020.pdf.

Kauermann, G., & Wolf, H. P. (2008). Gedanken zur Statistikausbildung an deutschen Hochschulen. AStA Wirtschafts- und Sozialstatistisches Archiv, 2(1–2), 55–73. https://doi.org/10.1007/s11943-008-0029-8.CrossRef

Kunze, A. (2008). Gender wage gap studies: Consistency and decomposition. Empirical Economics, 35(1), 63–76. https://doi.org/10.1007/s00181-007-0143-4.CrossRef

LaCosse, J., Sekaquaptewa, D., & Bennett, J. (2016). STEM stereotypic attribution bias among women in an unwelcoming science setting. Psychology of Women Quarterly, 40(3), 378–397. https://doi.org/10.1177/0361684316630965.CrossRef

Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. Journal of Statistics Education, 28(2), 133–139. https://doi.org/10.1080/10691898.2020.1752859.CrossRef

Lübke, K., Gehrke, M., & Markgraf, N. (2019). Statistical computing and data science in introductory statistics (N. Bauer, K. Ickstadt, K. Lübke, G. Szepannek, H. Trautmann, & M. Vichi, Eds.; S. 139–150). Springer International Publishing. https://doi.org/10.1007/978-3-030-25147-5_9.

Lübke, K., Krol, B., & Sülzenbrück, S. (2022). IASE 2021 Satellite Conference: Statistics education in the era of data science. https://doi.org/10.52041/iase.ujhqs.

Neumann, D. L., Hood, M., & Neumann, M. M. (2013). Using real-life data when teaching statistics: Student perceptions of this strategy in an introductory statistics course. Statistics Education Research Journal, 12(2), 59–70. https://doi.org/10.52041/serj.v12i2.304.

Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175.CrossRef

Olivetti, C., & Petrongolo, B. (2016). The evolution of gender gaps in industrialized countries. Annual Review of Economics, 8(1), 405–434. https://doi.org/10.1146/annurev-economics-080614-115329.CrossRef

Pearl, J. (1998). Graphs, causality, and structural equation models. Sociological Methods & Research, 27(2), 226–284. https://doi.org/10.1177/0049124198027002004.CrossRef

Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed., reprinted with corrections). Cambridge University Press.CrossRef

Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer. Wiley.

Pearson, K., Lee, A., & Bramley-Moore, L. (1899). Mathematical contributions to the theory of evolution. VI. Genetic (reproductive) selection: Inheritance of fertility in man, and of fecundity in thoroughbred racehorses. Philosophical Transactions of the Royal Society of London. Series A, 192, 257–330. https://doi.org/10.1098/rsta.1899.0006.CrossRef

Pfannkuch, M., Ben-Zvi, D., & Budgett, S. (2018). Innovations in statistical modeling to connect data, chance and context. ZDM – Mathematics Education, 50(7), 1113–1123. https://doi.org/10.1007/s11858-018-0989-2.

Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science. https://doi.org/10.1177/2515245917745629.CrossRef

Rosenbaum, P. R. (2002). Observational studies (2nd ed.). Springer.

Ross, L. (1977). The intuitive psychologist and his shortcomings: Distortions in the attribution process. (L. Berkowitz, Ed.; Vol. 10, S. 173–220). Academic Press.

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. https://doi.org/10.1037/h0037350.CrossRef

Rubin, D. B. (1978). Bayesian inference for causal effects: The role of randomization. The Annals of Mathematical Statistics, 6(1), 34–58. https://www.jstor.org/stable/2958688.

Simpson, E. H. (1951). The interpretation of interaction in contingency tables. Journal of the Royal Statistical Society: Series B (Methodological), 13(2), 238–241. https://doi.org/10.1111/j.2517-6161.1951.tb00088.x.CrossRef

The Novel Coronavirus Pneumonia Emergency Response Epidemiology Team. (2020). The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19) China, 2020. China CDC Weekly, 2(8), 113–122. https://doi.org/10.46234/ccdcw2020.032.

Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215. https://doi.org/10.1214/aoms/1177732676.CrossRef

Yanai, I., & Lercher, M. (2021). Novel predictions arise from contradictions. Genome Biology, 22(1). https://doi.org/10.1186/s13059-021-02371-6.

Yule, G. U. (1903). Notes on the theory of association of attributes in statistics. Biometrika, 2(2), 121–134. https://doi.org/10.1093/biomet/2.2.121.CrossRef

Title: (Kausale) Schlussfolgerungen aus Daten – Überlegungen im Kontext von Data Literacy
Authors: Bianca Krol
Karsten Lübke
Publisher: Springer Fachmedien Wiesbaden
Book: Produktions- und Informationsmanagement
Print ISBN: 978-3-658-46112-6

Electronic ISBN: 978-3-658-46113-3

Copyright Year: 2024
DOI: https://doi.org/10.1007/978-3-658-46113-3_3