Behandlungseffekt
In diesem Beitrag
Was versteht man unter Behandlungseffekt?
Der Behandlungseffekt (engl. Treatment Effect) beschreibt den kausalen Einfluss einer Intervention oder Maßnahme – der sogenannten Behandlung – auf eine interessierende Ergebnisvariable. Er gibt an, um wie viel sich das Ergebnis einer Person oder Gruppe verändert, wenn sie einer bestimmten Behandlung ausgesetzt wird, verglichen mit dem Fall, dass sie diese Behandlung nicht erhalten hätte.
Formal lässt sich der individuelle Behandlungseffekt für eine Person i wie folgt ausdrücken: Der Effekt ist die Differenz zwischen dem potenziellen Ergebnis unter Behandlung und dem potenziellen Ergebnis ohne Behandlung. Da man dieselbe Person jedoch nie gleichzeitig in beiden Zuständen beobachten kann, spricht man vom sogenannten fundamentalen Problem der Kausalinferenz. In der Praxis werden deshalb aggregierte Größen geschätzt:
- Average Treatment Effect (ATE): Der durchschnittliche Behandlungseffekt über die gesamte Population.
- Average Treatment Effect on the Treated (ATT): Der durchschnittliche Effekt speziell für jene Personen, die tatsächlich behandelt wurden.
- Conditional Average Treatment Effect (CATE): Der durchschnittliche Effekt innerhalb einer bestimmten Subgruppe, etwa definiert durch Alter oder Geschlecht.
Average Treatment Effect (ATE)
Warum ist der Behandlungseffekt für statistische Analysen wichtig?
Der Behandlungseffekt ist das zentrale Konzept in der Kausalanalyse und damit in vielen wissenschaftlichen Disziplinen – von der Medizin über die Wirtschaftswissenschaften bis hin zur Bildungsforschung. Er beantwortet nicht nur die Frage „Was passiert?“, sondern „Was passiert, weil eine bestimmte Maßnahme ergriffen wurde?“.
Für eine valide Schätzung des Behandlungseffekts ist es entscheidend, Konfundierung (engl. confounding) auszuschließen – also störende Drittvariablen, die sowohl mit der Behandlung als auch mit dem Ergebnis zusammenhängen. Klassische Methoden zur Identifikation des Behandlungseffekts umfassen:
- Randomisierte kontrollierte Studien (RCT) – der Goldstandard
- Regressionsbasierte Verfahren mit Kontrollvariablen
- Propensity Score Matching
- Instrumentalvariablen-Schätzung
- Difference-in-Differences (DiD)
- Regressionsdiskontinuität (RDD)
Praxisbeispiel zu Behandlungseffekt
Ein Bildungsforscher möchte wissen, ob die Teilnahme an einem freiwilligen Nachhilfeprogramm die Abschlussnoten von Schülerinnen und Schülern verbessert. Er vergleicht die Noten von Teilnehmenden und Nicht-Teilnehmenden.
| Gruppe | Ø Note (1–6) | n |
|---|---|---|
| Nachhilfe (behandelt) | 2,4 | 80 |
| Keine Nachhilfe (Kontrollgruppe) | 3,1 | 80 |
Die rohe Differenz beträgt 0,7 Notenpunkte zugunsten der Nachhilfe-Gruppe. Ob dies jedoch ein echter Behandlungseffekt ist, hängt davon ab, ob die Gruppen vergleichbar sind. Da die Teilnahme freiwillig war, haben sich möglicherweise ohnehin leistungsstärkere oder motiviertere Schülerinnen und Schüler angemeldet – ein typisches Selektionsproblem.
Um den kausalen Effekt zu schätzen, könnte der Forscher beispielsweise ein Propensity Score Matching anwenden: Er matched jede behandelte Person mit einer statistisch ähnlichen, nicht behandelten Person und berechnet den Effekt nur auf Basis dieser Paare. Ergibt sich dann immer noch ein Unterschied, ist dieser mit größerer Wahrscheinlichkeit auf das Nachhilfeprogramm selbst zurückzuführen.
