studietaak 7 (12,5%)

Question 1

scientific investigation of the causal consequences of Fracking illustrates 3 general characteristics of causal reasoning in science and in everyday situations

Answer 1

1) causal relationships are learned on the basis of information about the timing, location and frequency of events

2) testing causal hypotheses often involves doing something in the world, such as performing an intervention

3) causal reasoning has great practical significance: knowing about causes is how we can make things happen - and prevent things from happening - in the world

*causal reasoning is a central feature of science

Question 2

Michotte

Answer 2

causal perception depends on spatial and temporal information (when there’s a gap between events we are much less likely to perceive them causing another)

• the mistake of reasoning from spatiotemporal succession to causation is called the “Post Hoc Ergo Propter Hoc” Fallacy (after this, therefore because of this)

Question 3

Proximate Causes

Answer 3

are those that occurred more closely in time and place to the event that was caused

Distal Causes occurred further back in time or place from their effects

Question 4

Correlation

Answer 4

besides spatiotemporal cues, we also tend to use information about correlation between events to discern causal relations. Correlation is a measure of the association between two variables.

Question 5

Common Cause

Answer 5

3rd event that causes both other events

Question 6

Spurious correlations

Answer 6

where 2 types of events happen to be correlated, but are not related in any interesting way, causally or otherwise

Question 7

2 ideas about what causal relationships are, beyond the mere correlation of types of events

Answer 7

1) causal relationships are relationships of difference-making
2) physical process -> causation occurs when there is a continuous physical process connecting a cause to its effect, such as the transfer of energy.

Question 8

Difference-Making Account of Causation

Answer 8

according to the difference-making account of causation, causes are those factors that make a difference to whether an effect happens or not.
the idea of difference-making can be made more specific with the help of counterfactual conditionals:

conditional - if/then
counterfactual conditionals - if it were the case that C, then it would be the cases that E

Counterfactual because the antecedent of the conditional is contrary, or counter to fact

Question 9

Sufficient Causes

Answer 9

the causal condition is enough to bring about the presumed effect, but that effect might sometimes occur because of some other cause. If the occurrence of a cause doesn’t guarantee the occurrence of the effect, then the cause is not a sufficient cause

Question 10

Necessary Cause

Answer 10

the causal condition must be present for the effect to occur, but the cause might sometimes occur without bringing about the effect. If the occurrence of a cause isn’t required for the occurrence of the effect, then the cause is not a necessary cause.

Question 11

So sufficient causes guarantee their effects while necessary causes are required for their effects

Answer 11

• knowledge of sufficient causes empower us to bring about desired effects
• knowledge of necessary causes enables us to prevent some effects from happening

Question 12

Causal Background

Answer 12

of two events comprises all the other factors that actually do, or in principle might, causally influence these two events, thereby also potentially affecting the causal relationship between the two events

Question 13

Contributing Cause

Answer 13

a factor that increases the likelihood of an event occurring despite being neither necessary nor sufficient for the effect is called a “contributing cause”, or Partial Cause (more common than necessary or sufficient causes)
* a cause raises the probability of its effect:
Pr (E/C) > Pr (E/Not C)

Thinking about causation in terms of conditional probabilities also provides a way to define the strength of a causal relationship:
If Pr (E/C) = 1 and Pr (E/not C) = 0, then the cause is both necessary and sufficient for the effect, in any background(s) where this is true.

Judge the strength of a causal relationship:
Strength = Pr(E/C) - Pr (E/Not C)
! a necessary and sufficient cause will result in the maximum value of 1

! the strength of most causal relationships is somewhere in between the two extremes of perfect guarantee and irrelevance

Question 14

Simpson’s Paradox

Answer 14

concerns how an aggregate statistical trend can differ from the individual trends that comprise it
- the paradox demonstrates the importance of considering the causal background

Question 15

scientists have 2 methods to go beyond statistical information about correlation to uncover difference-making relationships

Answer 15

1) run an experiment (ideally controlled double-blind)
2) construct a causal model and rely on statistical information about variables of interest to make causal inferences

Question 16

Linear correlations require variables with numerical values such as height/weight, where associations can occur between categorical values, such as “favorite color” and “favorite icecream”, or between numerical variables.

Answer 16

the strength of a linear correlation is measured as a correlation coefficient, which is a number between 1 and -1
* a correlation of 1 means that the two measurements form a perfect line on a scatterplot, such that when one increases, the other increases as well:

-1 = when one increases, the other one decreases by the same amount
0 = one measurement tells you nothing about the other

Question 17

Naturalistic Observations

Answer 17

observations of a subject in their natural habitat

Question 18

De kern van het bieden van een causale verklaring is het identificeren van een gebeurtenis (of keten van gebeurtenissen) die de oorzaak was van het fenomeen in kwestie

Answer 18

causale uitspraken kunnen dus relaties tussen gebeurtenissen, danwel relaties tussen variabelen beschrijven en kunnen een specifieke danwel een algemene situatie betreffen

Question 19

Causaliteit of Causatie

Answer 19

kun je zien als een causale keten (causal chain) van gebeurtenissen of variabelen, waarbij het optreden of de afwezigheid van de ene gebeurtenis (of de waarde die de ene variabele aanneemt) (mede)bepalend is voor het optreden van een andere (latere) gebeurtenis (of voor de waarde die de andere variabele aanneemt

Question 20

Causale inferentie

Answer 20

een causaal verband vinden. Doel is vinden van oorzaken die gelden voor het individu
* causale uitspraken op populatieniveau kunnen dan gezien worden als een gemiddelde van de (individu-specifieke) causale relaties die gelden voor de individuen binnen die populatie

Question 21

Counterfactual

Answer 21

bij een contrafeitelijke uitspraak wordt geredeneerd vanuit een situatie die tegengesteld is aan de feitelijke situatie (herkenbaar aan “zou” in de formulering

• causale gevolgtrekkingen vereisen vergelijkingen tussen de feitelijke en contrafeitelijke uitkomst, maar de counterfactuals zijn niet geobserveerd

Question 22

Correlatie tussen 2 gebeurtenissen:

Answer 22

wanneer gebeurtenis P vaker optreedt in combinatie mét gebeurtenis Q, dan zonder (niet-Q), dan bestaat er een correlatie tussen de twee gebeurtenissen P en Q.
- correlatie = symmetrisch, causaliteit niet

Question 23

Potochnik

Answer 23

2 ideeën over wat het kenmerk is van causale relaties en waarmee deze voorbij gaan aan puur correlationele verbanden:
1) causale processen kunnen gezien worden als relaties waarbij het optreden van de ene gebeurtenis verschil maakt (difference-making) voor het optreden van de andere gebeurtenis
2) causale processen behelzen een fysieke overdracht van energie
- in psychologie heeft Difference-Making een belangrijke rol in het bepalen of een variabele als oorzaak gezien kan worden van een bepaald effect.

Question 24

Difference-Making is een centraal kenmerk van causale relaties bij het opstellen van het onderzoeksonderwerp

Answer 24

• ook wanneer causaliteit wordt afgeleid uit bepaalde regelmatigheden tussen gebeurtenissen of variabelen, speelt difference-making een rol
• difference-making maakt nog een ander verschil duidelijk tussen correlatie en causaliteit:
• een oorzakelijke factor kan worden gemanipuleerd en daarmee een verandering in de uitkomstmaat teweegbrengen. Maar als je een variabele manipuleert die enkel geassocieerd is met een andere variabele (en dus niet causaal van invloed is daarop), dan zal dit geen verschil maken voor de uitkomstmaat

Question 25

Regelmatigheidstheorieën van Causaliteit (Regularity Theories)

Answer 25

* probablistische benadering van causaliteit is een reactie hierop * Interventie Benadering van Causaliteit (Manipulability Theories of Causation): zowel de regelmatigheidsbenadering, als de interventiebenadering zijn gebaseerd op het idee van difference-making (dat oorzaken een verschil maken voor hun effect)

Question 26

Hume:

Answer 26

causaliteit is het observeren van een constante associatie tussen 2 gebeurtenissen die na elkaar plaatsvinden

Question 27

Hume's Regelmatigheidsbenadering van Causaliteit

Answer 27

spreekt over een oorzaak -gevolg relatie, van X op Y, als aan de volgende voorwaarden wordt voldaan: 1) spatio-temporele nabijheid. X (contact met brandnetel) en Y (uitslag) moeten nabij zijn in tijd en locatie 2) temporele prioriteit. X moet vooraf gaan aan Y 3) Constante associatie. Elke X moet worden vergezeld van Y * binnen deze opvatting worden causale relaties gelijkgesteld aan regelmatigheden tussen gebeurtenissen Regelmatigheidsbenadering - geen filosofische uitwerking van het begrip causaliteit nodig - de opvatting biedt duidelijke voorwaarden waaraan voldaan moet worden, om te spreken van een oorzaak-gevolgrelatie NADELEN - in de 3e voorwaarde wordt gesproken over Constante Associatie, echter de samenhang tussen veel gebeurtenissen volgt niet dit principe - niet elke regelmatigheid tussen X en Y wijst op een oorzaak-gevolg relatie

Question 28

Probablistische Benadering van Causaliteit (reactie op regelmatigheidsbenadering)

Answer 28

* hierbij worden contribuerende oorzaken onderscheiden, die de kans op een bepaalde uitkomst verhogen * contribuerende/partiële oorzaak P(Y|X) > P(Y|niet X) --> kans op effect Y is groter als factor X aanwezig is, dan wanneer X niet aanwezig is * een voordeel van de probabilistische benadering die uitgaat van contribuerende oorzaken, is dat deze in lijn is met wetenschappelijk onderzoek, dat laat zien dat weinig oorzaken de uitkomstmaat volledig determineren (o.a. door grote verschillen tussen mensen in genetische opmaak en omgevingsfactoren waaraan mensen worden blootgesteld) * een nadeel: het kan een indicatie geven van de aanwezigheid van causale relaties, maar geen noodzakelijke voorwaarde is om te kunnen spreken van een causale relatie * probabilistische afhankelijkheid geeft alleen geen rekenschap van de asymmetrie van het causale proces. Probabilistische afhankelijkheid (wat teruggebracht kan worden naar correlatie) is immers symmetrisch

Question 29

Regelmatigheidsbenadering van Causaliteit binnen psychologie stelt deze 3 voorwaarden, om van een causaal effect van X op Y te kunnen spreken:

Answer 29

1) temporele prioriteit (X moet vooraf gaan aan Y) 2) Associatie (X moet gecorreleerd zijn met Y (er moet een conditionele afhankelijkheid gelden tussen beide gebeurtenissen) 3) Niet SPurieus (De relatie tussen X en Y mag niet spurieus zijn, ofwel niet veroorzaakt door een 3e variabele die een gemeenschappelijke -common cause- oorzaak vormt van beiden)

Question 30

Bij een Causale Hypothese

Answer 30

gaat het erom dat de causale relatie die je veronderstelt duidelijke naar voren komt Causaal Diagram (Directed Acyclic Graph, DAG): bestaat uit variabele en pijlen die de variabelen met elkaar verbinden DAG geeft dus niet de geobserveerde verbanden tussen variabelen weer (of 2 variabelen daadwerkelijk wel/niet correleren), maar de causale relaties die je als onderzoeker op basis van theorie en eerder onderzoek verwacht

Question 31

Directe Causatie

Answer 31

Bij een causaal model waarin de onafhankelijke en afhankelijke variabele in directe en indirecte causatie met elkaar staan, is de ene variabele een directe oorzaak van de andere variabele.

Question 32

Indirecte Causale relatie

Answer 32

Self esteem (distale oorzaak van zoenen) --> romantic relationships (proximale oorzaak van zoenen) --> zoenen Romantic relationship is de (inter) mediërende variabele, of wel Mediator - een keten van oorzaken kan meerdere intermediërende variabelen bevatten

Question 33

Confounder

Answer 33

een 3e variabele die een gemeenschappelijke oorzaak (common cause) is van zowel X als Y, wordt ook vaak een confounder genomd Directe Causatie (X --> Y) Directe Causatie (Y --> X) Indirecte Causatie/Mediatie (X--> C--> Y) Indirecte Causatie/Mediatie (Y--> C --> X) Common Cause/Confounding (X <-- C --> Y)

Question 34

Causale Inferentie

Answer 34

binnen de literatuur rondom causale inferentie (= het afleiden van causale effecten uit data) worden met "spurieuze effecten" alle niet-causale paden bedoeld die een eventueel causaal effect tussen de onafhankelijke en afhankelijke variabele vertroebelen - aanwezigheid van een 3e variabele die een gemeenschappelijke oorzaak vormt van X en Y tot een spurieuze correlatie tussen X en Y als niet voor die 3e variabele wordt gecontroleerd

Question 35

CRAAP (beoordeling bron)

Answer 35

C - currency (artikel recent) R - Relevance A - Authority A - Accuracy P - Purpose

Question 36

Sufficient Cause

Answer 36

een gebeurtenis is een voldoende oorzaak van het gevolg als de oorzaak altijd tot gevolg leidt

Question 37

Necessary Cause

Answer 37

soms is het optreden van een gebeurtenis noodzakelijk voor het optreden van een effect (deze gebeurtenis kan, maar hoef niet OOK als voldoende oorzaak te gelden voor het effect). * wanneer gesproken wordt over een gebeurtenis als Noodzakelijke Oorzaak, voor het optreden van het gevolg, betekent dit dat deze gebeurtenis ALTIJD aanwezig moet zijn om het effect te laten plaatsvinden

Question 38

Causale Achtergrond (causal Background/causal field)

Answer 38

achtergrondkenmerken die als gegeven (Vaststaand) worden beschouwd en daarmee niet kwalificeren als oorzaak maar op de achtergrond wel mogelijkerwijs of daadwerkelijk de causale relatie tussen twee gebeurtenissen kunnen beïnvloeden

Question 39

Niet-Spurieus

Answer 39

om aan de voorwaarde van niet-spurieus te voldoen is vaak een interventie nodig waarbij enkel de onafhankelijke variabele wordt gemanipuleerd, zodat deze enkel nog wordt veroorzaakt door de interventie (en niet meer door eventuele 3e variabelen)

Question 40

Spatio-Temporele Nabijheid

Answer 40

houdt in dat de gebeurtenissen dicht op elkaar volgen, qua tijd en locatie

Question 41

Interventiebenadering van Causaliteit

Answer 41

volgens Potchnik en het idee van Difference-Making kan X als oorzaak van Y worden gezien als aan de volgende 2 voorwaarden is voldaan; 1) als gebeurtenis X ZOU optreden, dan ZOU gebeurtenis Y (waarschijnlijk) ook optreden 2) Als gebeurtenis X niet zou optreden, dan zou gebeurtenis Y (waarschijnlijk) ook niet optreden * wanneer een interventie wordt uitgevoerd om een causale hypothese te onderzoeken, dan kun je het idee van difference-making ook omschrijven als; X kan als oorzaak van Y worden gezien, als en alleen als Y ZOU veranderen wanneer X ZOU worden gemanipuleerd via een geschikte interventie