Korrelation vs. Kausalität im Finanzwesen
Trennen Sie statistische Assoziation von kausalen Effekten einschließlich Confounding, umgekehrter Kausalität, Auswahl, Interventionen, Granger-Kausalität, Nichtstationarität, Scheinkorrelation und Forschungsdesign im Finanzwesen
Kurzantwort
Korrelation beschreibt statistische gemeinsame Bewegung zwischen Variablen unter einer festgelegten Stichprobe und Transformation. Kausalität fragt, wie sich ein Ergebnis unter einer Intervention oder kontrafaktischen Veränderung einer anderen Variable ändern würde. Korrelation kann aus einem kausalen Effekt entstehen, aber auch aus gemeinsamen Ursachen, umgekehrter Richtung, Auswahl, Trends, Messung oder Zufall. Die Assoziation allein identifiziert nicht, welche Erklärung stimmt
Korrelation ist eine Eigenschaft einer Verteilung
Die Pearson-Korrelation standardisiert die Kovarianz und misst lineare Assoziation; Rangkorrelationen messen unter anderen Annahmen eine monotone Ordnung
Ihr Wert hängt von Population, Fenster, Frequenz, Transformation, Ausreißern, fehlenden Werten und Konditionierungsvariablen ab
Eine Korrelation von null bedeutet außer in besonderen Familien keine Unabhängigkeit, während eine nichtlineare Beziehung bei nahezu null Pearson-Korrelation stark sein kann
Kausalität braucht eine Zielintervention
Eine kausale Frage spezifiziert eine Behandlung oder Handlung, ein Ergebnis, Population, Timing und den Vergleich zwischen möglichen Zuständen
Der Effekt einer Zinserhöhung unterscheidet sich von der Assoziation zwischen beobachteten Zinsen und Renditen, weil die Politik auf Informationen über die Wirtschaft reagiert
Kausale Identifikation erfordert Annahmen oder ein Design, das beobachtete Verteilungen mit dem unbeobachteten kontrafaktischen Vergleich verbindet
Confounding und Auswahl erzeugen Alternativen
Eine gemeinsame Ursache kann beide Variablen bewegen, umgekehrte Kausalität kann das Ergebnis zur vorgeschlagenen Ursache machen und Rückkopplung kann in beide Richtungen wirken
Die Konditionierung auf einen gemeinsamen Effekt kann Collider-Bias erzeugen, während Survivorship und Publikationsfilter in einer ausgewählten Stichprobe eine Assoziation schaffen können
Das Hinzufügen von Kontrollen ist nicht automatisch sicherer: Die Kontrolle von Mediatoren, Collidern, verrauschten Proxies oder Variablen nach der Behandlung kann den Bias erhöhen
Granger-Kausalität ist zeitliche Vorhersagepriorität
X Granger-verursacht Y, wenn vergangenes X die Vorhersage von Y über die gewählte Informationsmenge und das Modell für vergangenes Y hinaus verbessert
Dies ist ein Test für zusätzlichen prädiktiven Inhalt und kein Beweis dafür, dass eine Intervention auf X Y über einen strukturellen Mechanismus verändert
Ausgelassene Variablen, gemeinsame Nachrichten, Aggregation, Lag-Auswahl, Nichtstationarität und wechselnde Regimes können Granger-kausale Befunde erzeugen oder beseitigen
Zeittrends können Assoziation künstlich erzeugen
Unabhängige persistente Reihen können in einer Stichprobe ein hohes R² und scheinbar signifikante Regressionen zeigen, weil ihre stochastischen Trends gemeinsam wandern
Enttrendung oder Differenzbildung ändert die Frage und kann langfristige Information entfernen. Sie sollte daher einem Modell der Reihen folgen und keine visuelle Korrektur sein
Stationarität, Einheitswurzeln, Strukturbrüche und Kointegration sollten vor der Interpretation von Zeitreihen-Korrelation oder Regression diagnostiziert werden
Finanzielle Mechanismen brauchen glaubwürdige Designs
Randomisierte Experimente sind für marktweite Engagements selten, aber natürliche Experimente, Diskontinuitäten, Instrumente, Panels und Ereignisdesigns können helfen
Jedes Design braucht eigene Annahmen zu Antizipation, Ausschluss, parallelen Trends, Interferenz, Timing und stabiler Messung
Eine Ereignisstudie misst abnormale Bewegung um ein Datum; ohne gültiges Kontrafaktum und sauberes Timing identifiziert sie nicht automatisch den Effekt des Ereignisses
Evidenz sollte Beschreibung und Intervention trennen
Berichten Sie rohe und bedingte Assoziationen, Transformationen, Fenster, Regeln für fehlende Daten, Stabilität sowie alternative Kausaldiagramme oder Mechanismen
Geben Sie Schätzgröße und Identifikationsannahmen an und führen Sie für das Design geeignete Falsifikations-, Placebo-, Pre-Trend-, Sensitivitäts- und Out-of-Sample-Prüfungen durch
Verwenden Sie kausale Sprache nur in dem Umfang, den das Design trägt; Vorhersage kann wertvoll sein, ohne zu behaupten, dass eine Intervention die Beziehung wiederherstellen würde
Häufige Fragen
Bedeutet eine hohe Korrelation, dass ein Vermögenswert die Bewegung des anderen verursacht?
Nein. Sie zeigt eine starke Assoziation in den gewählten Daten und kann gemeinsame Faktoren, Rückkopplung, Trends, Auswahl oder Zufall widerspiegeln
Was ist Granger-Kausalität?
Es ist die Fähigkeit vergangener Werte einer Reihe, die Vorhersage einer anderen Reihe über eine festgelegte Informationsmenge und ein festgelegtes Modell hinaus zu verbessern
Kann eine Regression Kausalität beweisen?
Nicht allein. Eine kausale Interpretation braucht ein vertretbares Design oder Annahmen, die den relevanten kontrafaktischen Effekt identifizieren
Warum können sich finanzielle Korrelationen schnell verändern?
Engagements, Volatilität, Liquidität, Politik, Teilnehmer, Messung und Marktregimes können die gemeinsame Verteilung verändern