Kausalt design

Kausalitet betyr årsakssammenheng, dvs. at noe forårsaker noe annet. Kausalt design bruker man når man ønsker å finne en statistisk årsakssammenheng (kausalitet) mellom to variabler.

Kausalt design bruker man når man ønsker å finne en statistisk årsakssammenheng (kausalitet) mellom to variabler.

Spørsmålene et kausalt design skal besvare er m.a.o. om det er et årsaks- og/eller et virkningsforhold mellom to eller flere variabler. Kausale forskningsdesign er derfor egnet til å løse problemstillinger hvor man ønsker å måle effekten av et stimulus eller sammenligne effekten av flere stimuli.

Siden de fleste bedrifter bruker flere stimuli for å påvirke kundenes holdninger og atferd, brukes kausale forskningsdesign mye innen markedsforskningen når man skal foreta effektmålinger. Eksempler på problemstillinger som kan løses ved hjelp av et kausalt design er vist i tabellen under. Eksemplene er hentet fra Fred Selnes – Markedsundersøkelser (1994).

I markedsanalyser blir kausalt design som regler brukt når man skal prøve å måle hvordan et markedsføringstimuli påvirker salget. Men det er ikke problemfritt å studere sammenhengen mellom stimuli og salg. Det finnes mange problemer som må overvinnes. Sammenhengen mellom stimulus og salg er som regel kompleks og uklar. Dette fordi det er vanskelig å isolere effekten av et stimulus i en marketing – mix. Virkemidlene vil virke sammen og påvirke hverandre. Resultatet at et salg vil være et resultat av mange stimuli og en rekke omstendigheter, ikke ett enkelt stimuli.

Disse ikke – kontrollerbare stimuli ene vil være forhold som ikke inngår i bedriftens marketing – mix. F.eks. lokale, nasjonale og internasjonale konjunktursvningninger, lovereguleringer, nye politiske tiltak, lønnsoppgjør o.l. Faren ved disse ikke – kontrollerbare faktorene ligger i at de kan få oss til å trekke feilaktige konklusjoner. Undersøker man f.eks. om det er noen sammenheng mellom annonsekampanjen i Aftenposten og salgsøkningen i en periode hvor konjunkturene blir stadig gunstigere, kan man komme til å trekke den slutningen at annonsekampanjen har hatt stor betydning for salgsøkningen, mens det i virkeligheten var den generelle optimismen i økonomien som var årsaken til den kraftige salgsøkningen.

Dette problemet kan mer vitenskapelig forklarer slik: Problemet med kausalt – design er at det er vanskelig å slå fast om det er noen sammenheng mellom variablene (annonsekampanjen og salgsøkningen). Dette fordi; selv om det tilsynelatende ser ut til å være en sammenheng mellom X- og Y- variabelen, har det ofte vist seg at det er en mellomliggende variabel  (konjunkursvningningene) som er forklaringen til den tilsynelatende årsakssammenhengen.

Dette kan illustreres slik:

I forskningen kan vi derfor aldri bevise med 100% sikkerhet at en variabel (X) er årsaken til effekten (Y). Vi kan bare sannsynliggjøre at X er årsak til Y. Vi kan foreta regresjonsanalyser o.l. for å påvise samvariasjon og beregne konfidensintervall o.l. som gjør at vi med ulik sannsynlighet kan slå fast hvor sannsynlig resultatet er.

3 krav til kausalitet

Det er tre grunnleggende forutsetninger som må være oppfylt for at vi skal kunne si at X er årsak til Y (at det foreligger kausalitet):

• Samvariasjon – det må være en forutsigbar statistisk sammenheng mellom X og Y
  
• Faktorenes orden – X må komme før Y i tid
  
• Eliminasjon av andre mulige forklaringer

Krav 1 – Samvariasjon

For i det hele tatt kunne påstå at X er årsaken til Y må vi ha påvist at det er en forutsigbar statistisk sammenheng mellom variablene. På fagspråket heter dette samvariasjon

Illustrasjonen over viser det vi på fagspråket kaller perfekt lineær korrelasjon mellom to variabler. For å beregne samvariasjonen mellom to variabler bruker vi vanligvis statistiske metoder.

Sentralt står porteføljeteorien hvor kovarians og korrelasjon er to viktige mål for samvariasjon, og danner kjernen i regresjonsanalysen som er den mest brukte statistiske metoden for å beregne om det foreligger en samvariasjon mellom to variabler.

F. Wenstøp (1994) sier at kovariansen måler graden av lineær samvariasjon. Ved perfekt samvariasjon vil kovariansen være summen av standardavikene i stikkprøven (utvalget). I tilfeller hvor X og Y stiger i takt vil den være positiv, mens det vil være negativ hvis den ene tiger mens den andre synker. Kovariansen er et hensiktsmessig mål for samvariasjon når vi ser på summer eller differanser mellom variabler. Men den kan ofte få pussige benevninger som kvadratkrone, sigarettdødsfall og opplagskrone. Korrelasjon unngår slike benevninger, og måler samvariasjonen i mer absolutt forstand enn kovariansen. For å kunne si at det er noen samvariasjon mellom to variabler, må vi kunne bevise at det er en statistisk signifikant sammenheng mellom dem, og at denne sammenhengen ikke skyldes tilfeldigheter.

Krav 2 – Faktorens orden

For å bli oppfattet som en sannsynlig årsak til endringen i en uavhengig variabel, må endringen i den uavhengige variablen inntre først. At det er en samvariasjon mellom to variabler, betyr ikke nødvendigvis at den ene er årsaken til den andre. Fred Selnes (1994) sier at en typisk observasjon er at når man bruker mye penger på reklame så blir salget også stort, og omvendt. Men i mange bedrifter er det slik at reklamebudsjettet for neste år er en prosent av årets salg, slik at hvis salget har vært høyt i år, så blir også neste års reklamebudsjett stort, og omvendt. I slike tilfeller kan det like gjerne være salget som forårsaker reklamen, som omvendt. En variabel kan altså ikke være årsak til en annen variabel hvis den kommer etter i tid. Det er imidlertid mulig at hver av variablene både er en “årsak” og en “effekt” til den andre variabelen. Kan vi si at høna er årsaken til egget, eller er det egget som er årsak til høna ? Begge utsagn er sanne sier F. Selnes (1994).

Krav 3 – Andre forklaringer

Selv om det er samvariasjon mellom variablene og har vi har konstantert at X kommer før Y i tid, er kan det være en mellomliggende variabel som forklarer årsaken. Det er lett å finne en klar statistisk sammenheng mellom antall Vinmonopol og antall kirker i en by, uten at dette betyr at jo flere vinmonopol en by har jo større blir byens behov for kirker. Trekker man imidlertid inn byens størrelse som en tredje variabel, forklarer den hele sammenhengen (F. Selnes – 94).

Falsifikasjon – Avgjørende for valg av problemstilling

Kausale design er som regel knyttet opp til det som innen samfunnsvitenskapen kalles “falsifikasjon“, og problemstillingen har som regel et hypotese – deduktivt utgangspunkt. Forenklet kan en forskningsprosess som er basert på et kausalt design beskrives slik:

1. Forskeren tar utgangspunkt i en teori eller antagelse.

2. Teorien gjøres om til to hypoteser som lar seg teste. En hypotese og en “nullhypotese”. Hypotesen er f.eks. at salgsøkningen skyldes annonsekampanjen i Aftenposten, men “nullhypotesen” er det motsatte; Salgsøkningen kan også skyldes andre forhold”

3. Forskeren velger undersøkelsemetode, utvalg og gjennomfører studiet

4. Målet med undersøkelsen er å samle inn informasjon som gjør det mulig å forkaste “nullhypotesen”. Klarer man å samle inn informasjon som bekrefter “nullhypotesen” – at salgsøkningen kan skyldes andre forhold, er hypotesen vår falsk og kan forkastes. Hypotesen er falsifisert, og vi har slått fast at vi ikke kan påstå at salgsøkningen kun skyldes annonsekampanjen i Aftenposten.

Valg av metode

For å teste kausalitet mellom to variabler vil man som regel velge et eksperimentelt design, hvor man prøver å sikre seg kontroll med de uavhengige forklaringsvariablene. Kausale design vil som regle basere seg på eksperimenter i en eller annen form. Med ekspriment mener vi:

En måte å nærme seg en problemstilling der en variabel manipuleres (uavhengig), og effekten på en annen variabel (avhengig) observeres

Som en grovsortering kan de ulike eksperimentene grupperes i to hovedgrupper:

• Kvasieksperimenter
  
• Sanne eksperimenter