Causal Inference (CAUSE)

In einer Ära, die durch das exponentielle Wachstum der Datenkomplexität und den zunehmenden Bedarf an evidenzbasierter Entscheidungsfindung gekennzeichnet ist, hat sich das Gebiet der Kausalschlüsse [1] zu einem zentralen und sich rasch entwickelnden Forschungsbereich entwickelt. Die methodische Forschung auf dem Gebiet der Kausalinferenz zielt darauf ab, Wissenschaftler mit Werkzeugen auszustatten, die es ihnen ermöglichen, über bloße Korrelationen hinauszugehen und Datenanalysen durchzuführen, die die Auswirkungen der wahren Treiber der beobachteten Ergebnisse erkennen und quantifizieren [2]. Ein solcher Fortschritt beruht auf rigorosen Kausalmodellen, die Rückschlüsse auf die Auswirkungen von Eingriffen ermöglichen, kombiniert mit einer sorgfältigen statistischen Unsicherheitsbewertung. Die weitergehende Bedeutung der Kausalerkennung und -ableitung liegt in ihrem transformativen Potenzial für mehrere Disziplinen. Indem sie Ursache-Wirkungs-Beziehungen von bloßen Assoziationen trennen, können Forscher die zugrundeliegenden Mechanismen aufdecken, die komplexen Phänomenen in Bereichen wie der Biomedizin, den Sozialwissenschaften und der öffentlichen Politik zugrunde liegen [3]. Auf diese Weise bieten Kausalanalysen eine solide Grundlage für evidenzbasierte Praktiken und Interventionen.

Dieses Schwerpunktthema dient als Plattform für die Zusammenarbeit und den Wissensaustausch zwischen Forschern, die sich mit der Weiterentwicklung der methodischen und theoretischen Grundlagen der kausalen Inferenz beschäftigen, und Domänenwissenschaftlern an der TUM. Ein besonderer Fokus liegt dabei auf den Bereichen Klimawissenschaften [4], Computerbiologie [5] und Wirtschaftswissenschaften [6], die über reichhaltige und komplexe Datenquellen verfügen, die nicht nur einen fruchtbaren Boden für die Anwendung von Techniken der Kausalinferenz darstellen, sondern auch neue methodische Herausforderungen mit sich bringen [7].

[1] Pearl, Judea. Causality. Cambridge University Press, 2009.
[2] Hernán, Miguel A., and James M. Robins. Causal inference. CRC Press, 2010.
[3] Imbens, Guido W., and Donald B. Rubin. Causal inference in statistics, social, and biomedical Sciences. Cambridge University Press, 2015.
[4] Runge, Jakob, et al. "Inferring causation from time series in Earth system sciences." Nature Communications 10.1 (2019): 2553.
[5] Rivas-Barragan, Daniel, et al. "Drug2ways: Reasoning over causal paths in biol. networks for drug disc." PLoS Computational Biology 16.12 (2020).
[6] Athey, Susan and Imbens, Guido W. “The state of applied econometrics: causality and policy eval.” Journal of Economic Perspectives 31.2 (2017): 3-32.
[7] Schölkopf, Bernhard, et al. "Toward causal representation learning." Proceedings of the IEEE 109.5 (2021).