Durchschnittlicher Behandlungseffekt
In diesem Beitrag
Was versteht man unter dem durchschnittlichen Behandlungseffekt?
Der durchschnittliche Behandlungseffekt (englisch: Average Treatment Effect, kurz ATE) ist ein zentrales Konzept der Kausalinferenz. Er gibt an, wie groß der mittlere kausale Effekt einer Intervention – auch „Behandlung“ oder „Treatment“ genannt – auf ein Ergebnismerkmal in einer Zielpopulation ist.
Formal nutzt der ATE das Potenzielle-Ergebnisse-Framework (auch Rubin Causal Model genannt). Für jede Beobachtungseinheit i werden zwei hypothetische Ergebnisse angenommen:
- Yi(1): das Ergebnis, wenn Einheit i die Behandlung erhält
- Yi(0): das Ergebnis, wenn Einheit i keine Behandlung erhält
Der individuelle Behandlungseffekt ist die Differenz dieser beiden potenziellen Ergebnisse. Der ATE ist der Erwartungswert dieser Differenz über alle Einheiten der Population:
Formel: Durchschnittlicher Behandlungseffekt (ATE)
Das grundlegende Problem dabei: Man kann für dieselbe Person nie gleichzeitig beobachten, was mit und ohne Behandlung passiert. Dieses Dilemma wird als Fundamentales Problem der Kausalinferenz bezeichnet. Der ATE muss daher stets aus Gruppenvergleichen oder statistischen Modellen geschätzt werden.
Warum ist der ATE für statistische Analysen wichtig?
Der ATE ist die Grundlage für viele Fragen in der empirischen Forschung: Wirkt eine politische Maßnahme? Ist eine Therapie effektiver als eine andere? Beeinflusst ein Fortbildungsprogramm den Lernfortschritt? Immer wenn der Effekt einer Intervention auf eine Zielpopulation quantifiziert werden soll, ist der ATE die entscheidende Kennzahl.
Dabei ist es wichtig, den ATE von verwandten Größen zu unterscheiden:
- ATT (Average Treatment Effect on the Treated): der mittlere Effekt nur für die Gruppe, die tatsächlich behandelt wurde
- ATU (Average Treatment Effect on the Untreated): der mittlere Effekt nur für die unbehandelte Gruppe
- LATE (Local Average Treatment Effect): der Effekt für eine spezifische Teilgruppe, etwa bei Instrumentalvariablen-Analysen
Der ATE bezieht sich immer auf die Gesamtpopulation – er ist damit die umfassendste, aber auch anspruchsvollste Schätzgröße.
Praxisbeispiel zu dem durchschnittlichen Behandlungseffekt
Eine Bildungsforscherin möchte wissen, ob die Teilnahme an einem Nachhilfeprogramm die Testergebnisse von Schülerinnen und Schülern verbessert. Sie führt eine randomisierte Studie mit 200 Schülerinnen und Schülern durch: 100 werden zufällig dem Nachhilfeprogramm zugeteilt (Behandlungsgruppe), 100 erhalten keine zusätzliche Förderung (Kontrollgruppe). Nach dem Programm erhebt sie die Testergebnisse.
| Gruppe | n | Mittleres Testergebnis |
|---|---|---|
| Behandlungsgruppe (Nachhilfe) | 100 | 72 Punkte |
| Kontrollgruppe (keine Nachhilfe) | 100 | 65 Punkte |
| Differenz (ATE-Schätzer) | – | +7 Punkte |
Da die Zuteilung zum Programm zufällig erfolgte, sind beide Gruppen im Durchschnitt vergleichbar – mögliche Störvariablen wie Vorwissen oder Motivation sind gleichmäßig verteilt. Die Mittelwertdifferenz von 7 Punkten ist damit ein unverzerrter Schätzer des ATE: Das Nachhilfeprogramm verbessert die Testergebnisse in dieser Population im Durchschnitt um 7 Punkte.
Wäre die Studie hingegen nicht randomisiert gewesen – hätten sich also motiviertere Schülerinnen und Schüler freiwillig für das Programm angemeldet – würde der einfache Gruppenvergleich den wahren ATE überschätzen. In solchen Beobachtungsstudien braucht es weiterführende Methoden, um Konfundierung zu kontrollieren.
