Behandlungseffekt bei Behandelten (ATT)
In diesem Beitrag
Was versteht man unter dem Behandlungseffekt bei Behandelten (ATT)?
Der Average Treatment Effect on the Treated – kurz ATT – beschreibt den durchschnittlichen kausalen Effekt einer Behandlung oder Intervention, aber nur für die Gruppe von Personen, die diese Behandlung tatsächlich erhalten hat. Es geht also nicht darum, was die Behandlung im Durchschnitt für alle Menschen in einer Population bewirken würde, sondern gezielt darum, was sie für diejenigen bewirkt hat, die wirklich teilgenommen haben.
Formal lässt sich der ATT wie folgt ausdrücken:
Dabei steht für das potenzielle Ergebnis einer Person unter Behandlung und für das potenzielle Ergebnis ohne Behandlung. Die Bedingung schränkt die Betrachtung auf die tatsächlich Behandelten ein.
Der ATT ist eng verwandt mit dem Average Treatment Effect (ATE), der den Effekt für die gesamte Population misst. Während der ATE fragt „Wie wirkt die Behandlung im Durchschnitt auf alle?“, fragt der ATT „Wie wirkt sie auf die, die sie erhalten haben?“ Diese Unterscheidung ist besonders dann wichtig, wenn sich Behandelte und Unbehandelte systematisch voneinander unterscheiden.
Warum ist der ATT für statistische Analysen wichtig?
In der Praxis nehmen Menschen Behandlungen oder Interventionen selten zufällig an. Wer an einem Programm teilnimmt, unterscheidet sich häufig systematisch von denjenigen, die fernbleiben – etwa durch Motivation, Vorerfahrung oder sozioökonomische Merkmale. Genau hier liegt die Stärke des ATT: Er fokussiert auf eine reale, bereits existierende Gruppe und vermeidet Aussagen über hypothetische Szenarien für Personen, die eine Behandlung ohnehin nie gewählt hätten.
Der ATT ist besonders relevant, wenn die Politikrelevanz im Vordergrund steht. Wenn eine Behörde wissen will, ob ein laufendes Förderprogramm seinen Teilnehmenden tatsächlich nützt, ist der ATT die passende Zielgröße – nicht der ATE, der auch Personen einschließt, die gar nicht infrage kämen.
ATT vs. ATE auf einen Blick
| Kennzahl | Fragestellung | Referenzgruppe |
|---|---|---|
| ATE | Wie wirkt die Behandlung auf alle? | Gesamte Population |
| ATT | Wie wirkt die Behandlung auf die Behandelten? | Nur Behandelte |
| ATU | Wie würde die Behandlung auf die Unbehandelten wirken? | Nur Unbehandelte |
Methoden wie Propensity Score Matching, Difference-in-Differences oder Instrumental Variables werden häufig eingesetzt, um den ATT kausal zu schätzen. Beim Matching etwa werden Behandelte mit möglichst ähnlichen, unbehandelten Personen verglichen, sodass der beobachtete Unterschied im Ergebnis dem Behandlungseffekt zugeschrieben werden kann.
Praxisbeispiel zum ATT
Eine Bildungsforscherin untersucht ein freiwilliges Nachhilfeprogramm an Schulen. Sie möchte wissen, ob das Programm den Schülerinnen und Schülern, die daran teilgenommen haben, messbar bei den Abschlussprüfungen geholfen hat. Da die Teilnahme freiwillig war, nehmen vermutlich eher leistungsmotiviertere oder von Eltern stärker geförderte Kinder teil – eine klassische Selektionsproblematik.
Um den ATT zu schätzen, setzt sie Propensity Score Matching ein: Für jede teilnehmende Schülerin bzw. jeden teilnehmenden Schüler wird ein möglichst ähnliches, nicht teilnehmendes Kind als Vergleichsperson gesucht – abgeglichen nach Merkmalen wie Vorleistungen, Schultyp und sozioökonomischem Hintergrund. Der Unterschied in den Prüfungsergebnissen zwischen den gematchten Gruppen liefert dann eine Schätzung des ATT.
Das Ergebnis: Das Programm hat den tatsächlichen Teilnehmenden im Schnitt 8 Punkte mehr auf einer 100-Punkte-Skala gebracht. Ob es auch für andere Schülerinnen und Schüler ebenso wirksam wäre (ATE), bleibt eine separate Frage – der ATT beantwortet sie bewusst nicht.
