Kausale design – Et gjennombrudd i samfunnsfagene eller keiserens nye klær?

Abstract

Statistiske metoder som regresjonsanalyse og kausale design basert på naturlige eksperi-menter har etter hvert blitt hyllevare innen de fleste fag som behandler store datamengder,ikke minst innen epidemiologi, meteorologi og klimavitenskap.1 Et eksempel er prinsipalkomponentanalyse (PCA), som brukes til å finne karakteristiske mønstre i geofysiske felt.Mønstrene, eller prinsipalkomponentene, tolkes gjerne som uttrykk for karakteristiskedynamiske moder i de globale værsystemene. Disse tolkningene tillegges imidlertid vanlig-vis liten vekt hvis man ikke samtidig identifiserer de samme modene i dynamiske vær- ellerklimamodeller og forstår de viktigste fysiske mekanismene som ligger bak. Observasjonenekan være for dårlige eller sparsomme, eller systemet kan være så komplekst at prinsipal-komponentene ikke representerer noe som gir fysisk mening for oss.Menneskelige samfunn er langt mer komplekse enn klimasystemet og unndrar segmodellering basert på naturvitenskapelig reduksjonisme. Men både i samfunnsfagene og istudiene av komplekse naturlige systemer er det plass for enkle, konseptuelle dynamiskemodeller. Disse er imidlertid bare av verdi hvis man klarer å identifisere de viktigste dri-verne av endring, og filtrerer bort de uviktige. Kausale design kan være av stor verdi i denneseleksjonsprosessen, men det forutsetter at man ikke bruker dem primært for å «filtrereinn» mekanismer som man av en eller annen grunn tror er viktig, men at man heller brukerdem til å «filtrere ut». I motsatt fall kan bruk av vanskelig tilgjengelige kvantitative metoderlett bli et middel til å stilne protester fra dem som kan ha gode, innsiktsfulle motforestillin-ger til en gitt hypotese.