Oletetaan, että olemme saaneet kausaalisuudesta erilaisia vihjeitä, minkä perusteella olemme muodostaneet hypoteesin asioiden vaikutussuhteista. Olennaista on löytää kuvaus vaikutusmekanismille ja luoda teoria (tai käyttää olemassa olevaa teoriaa) sille miksi jokin syy aiheuttaa tietyn seurauksen. Tämän jälkeen voimme pohtia millä muuttajilla mitataan syytä ja millä seurausta.
Yksi hyvä tapa testata kausaalisuutta on kokeellinen menettely, jossa on testiryhmä ja kontrolliryhmä. Tällöin voidaan helposti tutkia vaikutuksia syyn kanssa ja ilman sitä. Samalla voidaan testata onko syy tarpeellinen, riittävä tai peräti välttämätön seurausten tapahtumiselle. Testiolosuhteissa voidaan kontrolloida muuttujien määrää. Usein kausaalisuus voidaankin melko hyvin osoittaa noissa testiolosuhteissa. Näitä testejä ei tosin voida käyttää kaikkiin ongelmiin, eikä ole mitenkään selvää, että testeissä tehdyt löydökset voitaisiin yleistää muualle. Ongelmallista on myös se, että pelkästään testiolosuhteet saattavat muuttaa ihmisten käyttäytymistä. Vaikka datassa oleva kausaalisuus voitaisiinkin todistaa, joudutaan pohtimaan miten voidaan yleistää tietoja datan ulkopuolelle? Vaikka meillä olisi hypoteesi ja teoria vaikutusmekanismista hypoteesin takana, on epäselvää, voimmeko datassa olevilla kausaalisuusvihjeillä (tilastolliset kuten korrelaatiot ja ei-tilastolliset kuten ajallinen järjestys) todistaa kausaalisuuden datan ulkopuolella.
Kausaalisuuden osoittaminen on tieteellisesti vaikeaa. On hyvin mahdollista, että joitain kausaalisia ilmiöitä ei ikinä pystytä todistamaan tieteellisellä täsmällisyydellä. Vaikka kausaalisuuden pohtiminen onkin sinänsä tieteellisesti kiinnostavaa, on tieteen yhtenä tehtävänä kuitenkin auttaa yhteiskuntaa ratkaisemaan käytännön ongelmia. Monella alalla on tilanteita, joissa on akuutteja ongelmia ja tarvitaan kipeästi kausaalista tietoa (esimerkiksi terveystiede). Toisin sanoen tarvitaan riittävän kausaalista tietoa. Mikä sitten, jos mikään, on riittävä todiste kausaalisuudesta? Kuten yllä on todettu, tilastollisesti tai metodologisesti ei ole olemassa todistetta. Kausaaliset yhteydet ovat parhaimmillaankin vain teoriaan ja aiempiin havaintoihin pohjautuvia kuvauksia mekanismeista, joita on testattu tutkijan valitsemilla muuttujilla. Ratkaisuehdotuksena tähän on seuraava kuviossa 1 esitetty toimintatapa riittävän kausaalisuuden todistamiseksi:
Kuva 1 Toimintaehdotus kausaalisuuden riittäväksi osittamiseksi
Ensin pitää olla 1.) jokin ajatus kausaalisesta yhteydestä (intuitio tai assosiaatio), mikä voi pohjautua teoriaan, havaintoon tai empiriaan. Tämän jälkeen pitää luoda 2.) teoria kausaalisesta mekanismista, joka kuvaa kumpi on syy ja kumpi on seuraus (eli kausaalisuuden suunta), mikä on vaikuttava mekanismi näiden muuttujien välillä. Kun kausaalisuusteoria on luotu, voidaan 3.) muotoilla hypoteesit. Hypoteesien muotoilussa pitää olla semanttisesti tarkkana kuten aiemmin todettiin, koska deterministinen ja todennäköinen kausaatio tarkoittaa eri asioita ja todistetaan eri tavalla. Tämän jälkeen 4.) oletettu kausaatio voidaan testata empiirisesti. Kun saadaan jokin vihje kausaalisuudesta (esimerkiksi korrelaatio tai samanaikaisuus), pitää käyttää paljon mielikuvitusta (ja testaamista), jotta voidaan 5.) sulkea pois mahdolliset yhteiset syyt ja muut mahdolliset selitykset. Tähän pohdintaan on olemassa hyvä menetelmä, nimittäin vastaesimerkkien pohtiminen (contrarafactual approach) (Pearl, 2009). Voidaan miettiä sellaisia kysymyksiä kuin: ”Mitä tapahtuisi, jos…?”, ”Voisiko…?”, ”Olisiko mahdollista, että…?”. Tämän jälkeen pitää löytää pitää löytää olosuhteet ja selitykset, miksi mahdolliset löydetyt vastaväitteet eivät pidä paikkaansa (ignorability conditions). Esimerkiksi: ”Ei voi, koska…”, ”Ei ole mahdollista, koska…”. Vaikka Phillips ja Goodman (2006) pitävät vastaesimerkkianalyysiä tieteessä todella tärkeänä, he toteavat, ettei sitä käytetä paljoakaan. Ongelmana on usein näiden vastaesimerkkien formaali esittäminen ja niiden pohtimisen työläys. Vaikkakaan muiden mahdollisten muuttujien ongelmaa ei täysin pystytä poistamaan (koska ihmisen mielikuvitus on rajallinen), voidaan sitä huolellisella pohdinnalla huomattavasti pienentää.
Kausaalisuuden aukoton todistaminen datan ulkopuolella on siis kokolailla mahdotonta, koska datankin avulla todistaminen riippuu tutkijan tekemistä valinnoista, mukaan valituista muuttujista, niiden mittaamisesta, ajanjaksosta ja muuttujien määrittelystä. On tavallaan erikoista, että kausaalisuutta käytetään pohjana hyvin monissa tutkimuksissa, vaikka sitä ei täsmälleen ottaen pystytä osoittamaan. Tämän takia on tärkeää pohtia sitä mikä on kausaalisuuden riittävä osoittaminen.
Lähteet
Pearl, J. (2009). Causality in the social and behavioral sciences. UCLA Cognitive Systems Laboratory, Technical Report (2009) http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.154.446&rep=rep1&type=pdf
Phillips, C. V., Goodman, K. J. (2006). Causal criteria and counterfactuals; nothing more (or less) than scientific common sense. Emerging Themes of Epidemiology, 3.5 (2006).
