METHODEN-DOSSIERMSC-P-018Regression und Ökonometrie

Prädiktive oder kausale Regression: Was soll geschätzt werden?

Dieselbe Regressionsfamilie kann zwei unvereinbaren Zielen dienen: künftigen Umsatz prognostizieren oder einen Interventionseffekt schätzen. Estimand, zulässige Variablen, Design und Validierung ändern sich.

Direkte Antwort

Eine Tag-7-Prognose korrekt von einem an Tag 0 definierten totalen Kausaleffekt trennen.

Shmueli, 2010 Hernán & Robins, Causal Inference: What If

Die Antwort in 30 Sekunden

1

Eine prädiktive Regression schätzt einen künftigen Wert für eine neue Einheit und wird an nicht zum Fit verwendeten Daten bewertet.

2

Eine kausale Regression zielt auf den Effekt einer definierten Intervention in einer Population und hängt von einem Identifikationsdesign ab, nicht allein vom Fit.

3

Eine nach der Behandlung gemessene Variable kann die Prognose an Tag 7 verbessern und für den an Tag 0 definierten totalen Kausaleffekt dennoch unzulässig sein.

Shmueli (2010) Arnold et al. (2020)

Drei Leseebenen

1
Entscheidungsebene: klären, ob gefragt wird, wer mehr ausgibt oder was der Versand der Erinnerung bewirkt.
2
Praxis: Prognosezeitpunkt, Intervention, Vergleich, Ergebnis, Population und jeweils verfügbare Variablen festlegen.
3
Analyse: Prognoseverlust, Kausalestimand, Identifikation, Schätzung und Unsicherheitsbereich trennen.

Konkrete Marketingsituation

Ein Händler randomisiert an Tag 0 eine E-Mail-Erinnerung unter 2.400 berechtigten Kunden. An Tag 7 soll der 30-Tage-Umsatz mit dann verfügbaren Informationen prognostiziert werden. Getrennt davon wird der mittlere totale Versandeffekt gefragt. Der Engagement-Index an Tag 7 hilft bei der ersten Frage, liegt für die zweite aber nach der Zuweisung.

Zwei Fragen, zwei Estimanden

Prognose: Für einen an Tag 7 beobachteten Kunden E[Y|X] und den Fehler bei 600 Holdout-Kunden schätzen. Kausalität: Unter 2.400 randomisierten Kunden ATE = E[Y(1)−Y(0)] schätzen, mit T=1 genau einer Erinnerung an Tag 0 und keiner weiteren bis Tag 30, T=0 keiner Erinnerung bis Tag 30 und Y als 30-Tage-Umsatz in Euro.

Prognose

μ(x) = E[Y | X=x]

Kausalität

ATE = E[Y(1) − Y(0)]

Hernán & Robins, Causal Inference: What If

Warum dieselbe Regression irreführen kann

Ein niedriger RMSE definiert weder Intervention noch Kontrafaktum und belegt daher keinen Kausaleffekt.
Das Hinzufügen des Engagements nach der Behandlung verbessert die Y-Prognose, blockiert beim Lesen des T-Koeffizienten aber einen Teil des Pfads T → M → Y.
Variablen wegen guter Prognose auszuwählen ersetzt kein kausales Denken über Confounder, Mediatoren und Collider.

Arnold et al. (2020) Ramspek et al. (2021) Cinelli, Forney & Pearl (2022)

Intuition und kausale Zeitordnung

L und S liegen vor T, verursachen T aber nicht, da T randomisiert ist. Der deklarierte DAG lautet L,S → M; L,S → Y; T → M → Y; und T → Y. L ist Basisabsicht, S früherer Umsatz und M Engagement an Tag 7. An Tag 7 ist M verfügbare Prognoseinformation. Für den an Tag 0 definierten totalen T-Effekt ist M ein nicht zu adjustierender Mediator. Dieselbe Spalte wechselt somit je nach Frage und Zeitpunkt ihre Rolle.

T→ M→ YT → Y

Cinelli, Forney & Pearl (2022)

Benötigte Daten und Verfügbarkeit

customer_id; Train/Holdout-Split; baseline_intent_z und prior_spend_eur vor Tag 0 gemessen.
reminder_assigned ist die randomisierte Zuweisung an Tag 0; engagement_index_7d wird danach gemessen.
spend_30d_eur ist das stetige Ergebnis. 1.800 Train-Zeilen passen Prognosen an; 600 Holdout-Zeilen prüfen den internen Transfer.

Formale Modelle und Symbole

Prognose an Tag 7

Y = β₀ + β₁L + β₂S + β₃T + β₄M + ε

L: baseline_intent_z; S: prior_spend_eur; T: reminder_assigned; M: engagement_index_7d; Y: spend_30d_eur.

Totaler Effekt

Y = α₀ + τT + α₁L + α₂S + u

τ: für Präzision adjustierte Mittelwertdifferenz; M ist ausgeschlossen.

μ(x) ist der bedingte Mittelwert von Y für den Prädiktorvektor x. β₀ und α₀ sind Konstanten; β₁ bis β₄ und α₁ bis α₂ sind Steigungen; τ ist der ATE; ε und u sind die Residuen beider Modelle.

Deklarierte Berechnung, Schritt für Schritt

01
2.400 Zeilen mit Seed 20260819 erzeugen oder laden und den festen Split beibehalten.
02
Zwei Prognosen auf Train fitten: ohne M, dann mit M; nur auf Holdout bewerten.
03
Die 600 Holdout-Fehler 2.000-mal paarweise resamplen für das Intervall der RMSE-Verbesserung.
04
τ auf allen 2.400 Einheiten ohne M schätzen und das robuste HC1-Intervall berechnen.
05
Das Modell mit M getrennt fitten, um zu zeigen, warum dessen T-Koeffizient nicht den totalen ATE beantwortet.

Durchgängiges Zahlenbeispiel

Synthetischer MSC-Datensatz. Er beschreibt keine reale Kampagne.

Durchgängiges Zahlenbeispiel
Objekt	Spezifikation	Ergebnis
RMSE	Prognose ohne M	6,1006 €
RMSE	Prognose mit M	5,1734 €
ATE	Kausalmodell ohne M	8,3667 €
βT \| M	Für M adjustiertes Modell	2,0657 €

Prognosegewinn

15,20%
95% CI [11,05%; 19,62%]

ATE

8,37 €
95% CI [7,87 €; 8,86 €]

Wahrwert des Generators

8,80 €

Synthetische CSV herunterladen Python-Skript herunterladen

Gültigkeitsannahmen

Prognose: stabile Definitionen, Verfügbarkeit an Tag 7, Population und Messprozess zwischen Train, Holdout und späterer Nutzung.
Kausalität: korrekt umgesetzte Randomisierung, Konsistenz beider Politiken, keine Interferenz, beobachtetes Ergebnis und nichtdifferenzielle Nachbeobachtung.
Das lineare Modell schätzt eine Mittelwertdifferenz und kann Präzision erhöhen; die Randomisierung, nicht die Regressionsform, identifiziert den ATE.

Hernán & Robins, Causal Inference: What If Arnold et al. (2020) Cinelli, Forney & Pearl (2022)

Diagnostik und Unsicherheit

01

Prognose: RMSE, MAE und R² im Holdout vergleichen; Drift, Werte außerhalb des Supports und tatsächliche M-Verfügbarkeit prüfen.

02

Kausalität: Zuweisungsverhältnis, Vorbehandlungsbalance, Ausfall, Kontamination und robuste HC1-Standardfehler prüfen.

03

Das Bootstrap-Intervall der RMSE-Verbesserung beschreibt diesen synthetischen Holdout. Das HC1-ATE-Intervall beschreibt Stichprobenrauschen im deklarierten Design, nicht externe Validität.

Interpretieren ohne Ziele zu vermischen

Das Tag-7-Modell mit M senkt den RMSE um 15,20 %, 95-%-Bootstrap-KI [11,05 %; 19,62 %]. Das ist ein Prognosegewinn in diesem Holdout. Das Kausalmodell ohne M schätzt ATE auf 8,37 €, HC1-KI [7,87 €; 8,86 €], nahe am synthetischen Wahrwert 8,80 €. Mit M fällt der T-Koeffizient auf 2,07 € und stellt nicht mehr den totalen Effekt dar.

Zulässige und unzulässige Schlüsse

Zulässig

Das Modell mit M für eine Tag-7-Prognose in vergleichbarem Umfeld wählen.
8,37 € als geschätzten mittleren totalen Effekt im deklarierten randomisierten Protokoll berichten.

Unzulässig

Die RMSE-Senkung als Beleg für eine Umsatzsteigerung durch die Erinnerung ausgeben.
2,07 € als totalen Kausaleffekt lesen oder 8,37 € ohne neue Evidenz auf eine andere Population übertragen.

Mögliche Marketingentscheidung

Zwei getrennte Objekte beibehalten: einen Tag-7-Umsatzscore, der M nutzen darf, und eine experimentelle Schätzung des totalen Effekts ohne M. Ersterer priorisiert eine operative Aktion an Tag 7; letztere entscheidet über die Beibehaltung der Erinnerungspolitik.

Wann welcher Ansatz passt

01

Prädiktive Regression nutzen, wenn ein individuelles künftiges Ergebnis mit klarem Prognosezeitpunkt gefragt ist.

02

Kausalschätzung nutzen, wenn eine Entscheidung T verändert und ein glaubwürdiges Design das Kontrafaktum identifiziert.

03

Dieses lineare Modell bei wesentlich anderem Ergebnis, Support oder Zuweisungsmechanismus nicht ohne neue Prüfung einsetzen.

04

Alternativen: Zeitvalidierung und nichtlineare Prognosemodelle; randomisierte Mittelwertdifferenz für den ATE; eigene Mediationsanalyse, wenn der direkte Effekt zum Ziel wird.

Reproduzierbare Implementierungen

Python 3.13 und R 4.5 sind Referenzen. SPSS 31 und SAS 9.4 sind sekundäre Syntaxen für das Kausalmodell; sie belegen weder gleichwertige Standardfehler noch Annahmen.

Python 3.13

python msc-p018-reference.py --csv msc-p018-predictive-causal.csv

R 4.5

d <- read.csv("msc-p018-predictive-causal.csv")
train <- subset(d, split == "train"); hold <- subset(d, split == "holdout")
pre <- lm(spend_30d_eur ~ baseline_intent_z + prior_spend_eur + reminder_assigned, train)
post <- lm(spend_30d_eur ~ baseline_intent_z + prior_spend_eur + reminder_assigned + engagement_index_7d, train)
e0 <- hold$spend_30d_eur - predict(pre, hold)
e1 <- hold$spend_30d_eur - predict(post, hold)
rmse <- function(e) sqrt(mean(e^2))
c(pre_rmse=rmse(e0), post_rmse=rmse(e1), improvement=100*(rmse(e0)-rmse(e1))/rmse(e0))
set.seed(20260819)
b <- replicate(2000, { i <- sample(seq_along(e0), replace=TRUE); 100*(rmse(e0[i])-rmse(e1[i]))/rmse(e0[i]) })
quantile(b, c(.025, .975))
hc1 <- function(fit) {
  X <- model.matrix(fit); e <- residuals(fit); n <- nrow(X); p <- ncol(X)
  bread <- solve(crossprod(X)); meat <- crossprod(X, X * e^2)
  se <- sqrt(diag((n/(n-p)) * bread %*% meat %*% bread))
  cbind(estimate=coef(fit), se=se, lower=coef(fit)-1.959964*se, upper=coef(fit)+1.959964*se)
}
total <- lm(spend_30d_eur ~ reminder_assigned + baseline_intent_z + prior_spend_eur, d)
adjusted <- lm(spend_30d_eur ~ reminder_assigned + baseline_intent_z + prior_spend_eur + engagement_index_7d, d)
hc1(total)["reminder_assigned", ]
hc1(adjusted)["reminder_assigned", ]

IBM SPSS Statistics 31

GET DATA /TYPE=TXT /FILE='msc-p018-predictive-causal.csv'
 /DELCASE=LINE /DELIMITERS="," /ARRANGEMENT=DELIMITED /FIRSTCASE=2
 /VARIABLES=customer_id A5 split A7 baseline_intent_z F12.6 prior_spend_eur F12.6
 reminder_assigned F1.0 engagement_index_7d F12.6 spend_30d_eur F12.6.
REGRESSION /DEPENDENT spend_30d_eur
 /METHOD=ENTER reminder_assigned baseline_intent_z prior_spend_eur.

SAS 9.4

proc import datafile="msc-p018-predictive-causal.csv" out=p018 dbms=csv replace; guessingrows=max; run;
proc reg data=p018;
  model spend_30d_eur = reminder_assigned baseline_intent_z prior_spend_eur / hcc hccmethod=1;
run; quit;

Erwartetes Endergebnis

Ein Dossier enthält zwei getrennte Blätter: Prognose mit Ursprung Tag 7, zulässigen Variablen, Holdout-Metriken und Drift; Kausalität mit Tag-0-Protokoll, DAG, ATE, Intervall, Gefahren und Gültigkeitspopulation. Ergebnisse werden nie zu einer einzigen Schlussfolgerung vermischt.

Wissenschaftliche Quellen und Evidenzniveau

Shmueli (2010)
Konzeptionelle Grundlage: Ziele, Daten, Validierung und Kriterien unterscheiden sich zwischen Erklärung und Prognose.
Hernán & Robins, Causal Inference: What If
Vollständiger Methodentext: Kontrafaktisches, ATE, Randomisierung, Konsistenz und Interferenz.
Arnold et al. (2020)
Open-Access-Methodenartikel: Variablenauswahl, Bewertung und Interpretation unterscheiden sich nach Frage.
Cinelli, Forney & Pearl (2022)
Kausale Grundlage: Die Adjustierung für einen Mediator kann den gesuchten totalen Effekt blockieren.
Ramspek et al. (2021)
Empirische Übersicht: Sie dokumentiert und begrenzt die Verwechslungshäufigkeit in 180 Beobachtungsstudien.

Diese Texte stützen die Methode. Datensatz, Erzeugungsmechanismus und Ergebnisse sind synthetische MSC-Schöpfungen, keine externe empirische Validierung.

Datensatz · Werkzeug

Datensatz · MSC-P-018-PREDICTIVE-CAUSALSynthetische randomisierte Erinnerung, Engagement und Umsatz→

Methodische Verbindungen

Übergeordnetes GebietMarketing-Reaktionsmodelle: Form, Verzögerung und Sättigung ErfordertKorrelation oder Kausalität: Welche Aussage trägt eine Analyse wirklich?ErfordertWie diagnostiziert man eine Marketingregression vor der Interpretation?Vergleichen mitWie validiert man eine Marketingprognose?