Causaliteit is een manier om te beschrijven hoe verschillende gebeurtenissen met elkaar in verband staan. Stel er zijn twee gebeurtenissen A en B. Als B gebeurt omdat A is gebeurd, dan zegt men dat A de oorzaak is van B, of dat B het gevolg is van A.
Wat heel eenvoudig lijkt, is in feite een moeilijk probleem. Veel mensen hebben geprobeerd het op te lossen, ze hebben verschillende oplossingen bedacht
Wat precies bedoelen we met 'oorzaak'?
In de dagelijkse taal zeggen we vaak dat iets een oorzaak is wanneer het voorafgaat aan en samenhang vertoont met een effect. Wetenschappers en filosofen vragen echter om scherpere criteria. Enkele veelgebruikte manieren om causaliteit te omschrijven zijn:
- Regulariteitstheorie: A leidt herhaaldelijk tot B (Hume). Causaliteit wordt gezien als een patroon van herhaalde samenkomst.
- Counterfactuale theorie: A veroorzaakt B als, in een hypothetische wereld waarin A niet had plaatsgevonden, B ook niet zou zijn opgetreden (contrafactueel denken).
- Interventietheorie (manipulatie): A is causaal voor B als een gerichte verandering of interventie op A B verandert (veel gebruikt in experimenteel werk en door filosoof James Woodward).
- Probabilistische causaliteit: A verhoogt de kans dat B optreedt, zonder dat A B deterministisch veroorzaakt.
Correlatie versus causaliteit
Correlatie betekent dat twee variabelen samen voorkomen. Correlatie is echter geen bewijs voor causaliteit: twee dingen kunnen samen veranderen door toeval of door een derde factor (confounder). Een bekend voorbeeld is dat ijsverkoop en verdrinkingen beide stijgen in de zomer — de temperatuur (derde variabele) veroorzaakt beide verschijnselen, maar ijsverkoop veroorzaakt geen verdrinkingen.
Methoden om causaliteit vast te stellen
Afhankelijk van het vakgebied zijn er verschillende methoden om meningen over causaliteit te onderzoeken:
- Gerandomiseerde gecontroleerde proeven (RCT): deelnemers worden willekeurig toegewezen aan een behandeling of controle. Dit is de sterkste methode om causale effecten te identificeren omdat willekeurigheid confounders neutraliseert.
- Observatieonderzoek met statistische technieken: wanneer RCTs niet mogelijk zijn, gebruikt men technieken als matching, regressiecontrole, difference-in-differences, instrumentvariabelen en propensity score matching om confounding te verminderen.
- Natuurlijke experimenten: situaties waarin externe omstandigheden leiden tot vrijwel willekeurige toewijzing van behandeling — gebruikt als alternatief voor RCTs.
- Tijdreeksanalyse en Granger-causaliteit: voor data over tijd kijkt men of verleden van A helpt B te voorspellen, wat een aanwijzing voor richting kan zijn (maar geen definitief bewijs van echte oorzakelijkheid buiten de modelvoorwaarden).
- Causale grafen en structurele modellen: met instrumenten uit de causale inference (bijv. Pearl's causale netwerken) kan men afhankelijkheden, confounders en mediatoren expliciet modelleren.
Klinische en epidemiologische criteria
In de geneeskunde gebruikt men vaak de Bradford Hill-criteria als hulpmiddel om te beoordelen of een verband waarschijnlijk causaal is. Belangrijke punten zijn:
- Temporale volgorde: oorzaak moet voorafgaan aan effect.
- Sterkte en consistentie van het verband tussen studies.
- Dose-response-relatie: meer blootstelling geeft sterker effect.
- Biologische plausibiliteit: er is een aanvaardbare verklaring of mechanisme.
- Experiment: bewijs dat verandering in de oorzaak tot verandering in het effect leidt.
Veelvoorkomende valkuilen en denkfouten
- Post hoc ergo propter hoc: 'na dit, dus daardoor' — alleen omdat B op A volgt betekent niet dat A B veroorzaakte.
- Confounding: een derde variabele beïnvloedt zowel A als B.
- Omitted variable bias: belangrijke factoren niet meenemen in analyse leidt tot foutieve conclusies.
- Selectie- en publicatiebias: datasets of gepubliceerde studies zijn niet altijd representatief.
Praktische voorbeelden
- Roken en longkanker: meerdere soorten bewijs (observaties, dosis-respons, biologisch mechanisme) ondersteunen dat roken causaal bijdraagt aan longkanker.
- Regen en natte stoep: regen (oorzaak) gaat vooraf aan natte stoep (gevolg); hier is de mechanische relatie direct en duidelijk.
- IJsverkoop en verdrinking: correlatie door seizoen, geen directe causaliteit; temperatuur is confounder.
Hoe beoordeel je een causale bewering?
Als je een causale claim tegenkomt, kun je deze stappen volgen om de plausibiliteit te checken:
- Is er bewijs dat A vóór B komt (temporality)?
- Is het resultaat consistent in verschillende studies en settings?
- Bestaat er een mogelijk mechanisme dat A met B verbindt?
- Is de relatie sterk en is er een dosis-responspatroon?
- Waren er experimenten of quasi-experimenten die het verband bevestigen?
- Zijn confounders adequaat gecontroleerd?
Samenvatting
Causaliteit gaat over de vraag waarom dingen gebeuren en hoe gebeurtenissen elkaar beïnvloeden. Het vaststellen van oorzakelijkheid is complex: correlatie alleen is onvoldoende. Goede causaliteitsanalyse combineert duidelijke temporale informatie, methodologisch gedegen onderzoek (bij voorkeur experimenten of zorgvuldig geanalyseerde observationele studies), en redelijke theoretische verklaringen. Voor elke claim is het belangrijk om kritisch te kijken naar alternatieve verklaringen, confounders en de gebruikte methoden.

