Data og AIHafsteinn Runarsson · AI Konsulent01 Oct 2026 · 11 min

Causal inference: Fra korrelasjon til årsak og virkning

Causal inference — på norsk ofte kalt kausal inferens — handler om å anslå om en handling faktisk fører til et utfall. Metoden går lenger enn å finne mønstre i data: Den forsøker å svare på hva som ville skjedd dersom vi endret én faktor, mens resten var sammenlignbart.

Det gjør causal inference nyttig når spørsmålet er «Hva bør vi gjøre?», ikke bare «Hva kommer sannsynligvis til å skje?». For en virksomhet kan det bety å undersøke om en produktendring øker aktivering, om en kampanje skaper ekstra salg, eller om kundene ville ha kjøpt uansett.

Kort oppsummert: En troverdig kausal analyse krever et tydelig spørsmål, eksplisitte antakelser om årsakssammenhenger, et egnet studiedesign og tester av hvor robuste resultatene er. Mer data alene løser ikke problemet.

Hva er causal inference?

Causal inference er prosessen med å bruke data og antakelser til å anslå effekten av en handling, behandling eller policy på et utfall. Målet er å skille ekte årsak og virkning fra samvariasjon som skyldes andre forhold.

En analyse begynner vanligvis med tre deler:

• Tiltak eller behandling: Det som endres, for eksempel en ny onboarding eller en prisjustering.
• Utfall: Det vi ønsker å påvirke, for eksempel aktivering, gjenkjøp eller behandlingseffekt.
• Sammenligning: Hva som ville skjedd med den samme enheten uten tiltaket.

Den siste delen er vanskeligst. Vi kan ikke observere den samme kunden både med og uten den samme kampanjen på samme tidspunkt. Dette uobserverte alternativet kalles det kontrafaktiske utfallet. Causal inference prøver å konstruere en troverdig sammenligning som kommer så nær dette utfallet som mulig. PyWhy beskriver den kausale effekten som forskjellen mellom det observerte utfallet og det kontrafaktiske utfallet.

Korrelasjon er ikke det samme som kausalitet

Korrelasjon viser at to størrelser varierer sammen; kausalitet betyr at en endring i den ene faktisk påvirker den andre. En korrelasjon kan derfor være reell uten at den gir et godt beslutningsgrunnlag.

Tenk på en nettbutikk som ser at kunder som bruker ønskelisten, handler oftere. Det kan bety at ønskelisten øker kjøpslysten. Men det kan også være at svært interesserte kunder både bruker ønskelisten og handler mer. Interesse er da en mulig tredje faktor som påvirker både bruken av funksjonen og kjøpet.

En slik felles årsak kalles en konfounder eller forvekslingsfaktor. Bayes Server definerer en konfounder som en felles årsak til både tiltaket og utfallet. Hvis analysen ikke håndterer relevante konfoundere, kan den tilskrive tiltaket en effekt som egentlig skyldes noe annet.

Andre forklaringer på en korrelasjon kan være:

• omvendt årsaksretning — utfallet påvirker tiltaket
• seleksjon — gruppene var ulike før tiltaket
• samtidige hendelser — noe annet endret seg på samme tid
• målefeil — variablene beskriver ikke det vi tror de beskriver
• tilfeldighet — mønsteret oppstod i akkurat dette utvalget

Causal inference gjør ikke disse problemene borte. Metoden gjør dem synlige og tvinger analysen til å forklare hvilke antakelser som må holde.

Det kontrafaktiske spørsmålet

Et kausalt spørsmål sammenligner et faktisk utfall med et alternativ som ikke kunne observeres samtidig. Derfor er formuleringen «Hva ville skjedd hvis …?» kjernen i causal inference.

Et prediktivt spørsmål kan være: «Hvilke kunder kommer til å avslutte abonnementet?» Et kausalt spørsmål er: «Hvilke kunder vil bli værende hvis de får et bestemt tiltak?» Den første modellen finner kjennetegn ved risiko. Den andre prøver å anslå effekten av en handling.

Det er nyttig å skrive spørsmålet presist før dataarbeidet starter:

• Hvem eller hva gjelder analysen?
• Hvilket tiltak sammenlignes med hvilket alternativ?
• Hvilket utfall måles?
• Over hvilken tidsperiode?
• Hvilken gjennomsnittlig eller individuell effekt er relevant?

Et uklart spørsmål gir et uklart estimat. «Virker kampanjen?» er for bredt. «Hvor mye endrer kampanjen kjøpsraten innen 30 dager blant nye kunder, sammenlignet med ingen kampanje?» er mulig å analysere.

Randomiserte eksperimenter og observasjonsdata

Randomisering er vanligvis den tydeligste måten å lage sammenlignbare grupper på, men observasjonsdata kan også brukes når antakelsene er forsvarlige. Valget avhenger av om et eksperiment er mulig, etisk og relevant for beslutningen.

I et randomisert eksperiment fordeles enheter tilfeldig mellom tiltak og kontroll. Tilfeldig fordeling reduserer systematiske forskjeller mellom gruppene før tiltaket. Det gjør forskjellen i utfall enklere å tolke som en effekt av tiltaket.

Eksperimenter er likevel ikke alltid mulige. En virksomhet kan mangle trafikk til en robust A/B-test. Et tiltak kan allerede være lansert. Det kan være uetisk å holde tilbake en behandling, eller umulig å randomisere en offentlig policy. Da brukes observasjonsdata: data som ble skapt uten tilfeldig tildeling.

Observasjonsdata krever sterkere antakelser. Analysen må blant annet vurdere hvorfor noen fikk tiltaket og andre ikke. Stanford Graduate School of Business oppsummerer forskningsfeltet som metoder for troverdig estimering av kausale effekter i både eksperimentelle og observasjonelle settinger.

Kausale diagrammer gjør antakelsene synlige

Et kausalt diagram, ofte kalt en DAG, viser hvilke variabler vi antar påvirker hverandre. Diagrammet er ikke et bevis på at antakelsene er riktige, men det gjør dem tydelige nok til å diskuteres og testes.

DAG står for directed acyclic graph — en rettet graf uten sirkulære stier. En pil fra A til B betyr at A antas å ha en kausal påvirkning på B. Diagrammet kan hjelpe med å skille mellom variabler som bør og ikke bør kontrolleres for.

Tre roller er spesielt viktige:

• Konfounder: Påvirker både tiltaket og utfallet. Den må ofte håndteres for å redusere skjevhet.
• Mediator: Ligger på årsaksveien mellom tiltak og utfall. Kontrollerer du for den, kan du fjerne deler av effekten du ønsker å måle.
• Collider: Påvirkes av to andre variabler. Å kontrollere for en collider kan åpne en falsk sammenheng mellom dem.

Det er derfor ikke alltid riktig å legge «alle tilgjengelige variabler» inn i en regresjon. Valget av kontrollvariabler bør følge det kausale spørsmålet og en begrunnet modell av hvordan dataene ble til. I Cambridge-kurset om causal inference inngår blant annet DAG-er, d-separasjon, bakdørskriteriet, frontdørskriteriet og kontrafaktiske modeller som sentrale språk for kausalitet.

Fire trinn i en kausal analyse

En god arbeidsflyt skiller mellom å modellere problemet, identifisere effekten, estimere den og forsøke å avkrefte resultatet. Denne rekkefølgen hindrer at valg av modell styres av hvilket tall som ser best ut.

1. Modeller årsakssammenhengene. Definer tiltak, utfall, målgruppe og tidsvindu. Tegn en DAG eller beskriv antakelsene eksplisitt. Ta med fagkunnskap fra dem som forstår prosessen som skapte dataene.
2. Identifiser effekten. Avgjør om effekten kan estimeres fra variablene og designet du har. Her velges blant annet relevante justeringsvariabler og hvilke antakelser som må holde.
3. Estimer effekten. Bruk en statistisk metode som passer designet. Rapporter både estimatet og usikkerheten, ikke bare ett tall.
4. Utfordre estimatet. Gjør sensitivitetsanalyser, placebo-tester og alternative spesifikasjoner. Undersøk om resultatet forsvinner når rimelige antakelser endres.

Denne arbeidsflyten følger PyWhys fire trinn: model, identify, estimate og refute. Det siste trinnet er avgjørende fordi det ikke finnes et vanlig fasitsvar mot det kontrafaktiske utfallet.

Vanlige metoder for causal inference

Metoden bør velges ut fra studiedesignet og antakelsene — ikke ut fra hvilken algoritme som er mest avansert. Flere metoder kan være relevante for samme spørsmål, men de løser ulike identifikasjonsproblemer.

• Randomisert kontrollert eksperiment: Sammenligner tilfeldig tildelte grupper. Passer når tiltaket kan kontrolleres og utvalget er stort nok.
• Matching og propensity score-metoder: Forsøker å sammenligne enheter som ligner på hverandre ut fra observerte variabler. De kan ikke automatisk håndtere viktige konfoundere som ikke er målt.
• Forskjell-i-forskjeller: Sammenligner utviklingen før og etter et tiltak mellom en berørt gruppe og en sammenligningsgruppe. Metoden bygger blant annet på en antakelse om sammenlignbare trender uten tiltaket.
• Regresjonsdiskontinuitet: Utnytter en terskelregel, for eksempel at en ordning bare gjelder over en bestemt grense. Enheter tett på hver side av terskelen sammenlignes.
• Instrumentvariabel: Bruker en variabel som påvirker hvem som får tiltaket, men som ikke skal påvirke utfallet gjennom andre veier. Gyldige instrumenter er ofte vanskelige å finne og forsvare.
• Mediasjonsanalyse: Deler effekten i direkte og indirekte veier for å undersøke hvordan et tiltak virker.

Listen er ikke en meny der man velger fritt. Hver metode har krav som må knyttes til den konkrete datagenererende prosessen. En kompleks estimator kan gi et presist, men misvisende svar hvis identifikasjonen er svak.

Causal inference og maskinlæring løser ulike oppgaver

Maskinlæring er ofte sterk på prediksjon, mens causal inference er utviklet for spørsmål om tiltak og konsekvenser. De to feltene kan kombineres, men høy prediksjonsnøyaktighet dokumenterer ikke en kausal effekt.

En churn-modell kan forutsi hvem som sannsynligvis sier opp. Den forteller ikke nødvendigvis hvem som lar seg påvirke av et tilbud. De mest risikoutsatte kundene kan være umulige å beholde, mens kunder med middels risiko kan reagere godt på tiltaket.

Maskinlæring kan inngå i en kausal analyse for å modellere komplekse sammenhenger, estimere heterogene effekter eller håndtere mange observerte konfoundere. Men algoritmen erstatter ikke det kausale designet. PyWhy-tutorialen om causal inference og maskinlæring understreker at data alene ikke er nok; domenekunnskap og antakelser er nødvendige.

Når causal inference er nyttig i en virksomhet

Causal inference er mest verdifull når en beslutning faktisk kan endres på bakgrunn av svaret. Start derfor med handlingen, ikke med datasettet.

Typiske spørsmål er:

• Skaper en ny onboarding høyere aktivering, eller bruker allerede motiverte kunder funksjonen mer?
• Gir en rabatt ekstra kjøp, eller flytter den bare kjøp som ville skjedd senere?
• Øker en anbefalingsmodell salget, eller viser den produkter til kunder som allerede hadde høy kjøpsintensjon?
• Reduserer et operasjonelt tiltak behandlingstiden, eller falt køen av andre grunner?
• Fungerer en endring likt for alle grupper, eller varierer effekten mellom segmenter?

Et kausalt estimat bør kobles til en beslutningsregel: Hva gjør vi hvis effekten er positiv, liten, usikker eller negativ? Uten en slik kobling kan analysen bli teknisk riktig, men praktisk ubrukelig.

En praktisk sjekkliste før du starter

Første leveranse bør være et tydelig analysedesign, ikke en modell. Bruk denne sjekklisten for å avdekke svakheter tidlig:

1. Formuler tiltaket og alternativet som sammenlignes.
2. Definer utfallet og når det skal måles.
3. Avgrens målgruppen analysen skal gjelde for.
4. Beskriv hvordan tiltaket faktisk ble tildelt.
5. Tegn en enkel DAG sammen med fagpersoner.
6. Skill konfoundere fra mediatorer og collidere.
7. Vurder om randomisering er mulig før du velger observasjonell metode.
8. Skriv ned identifikasjonsantakelsene før resultatene analyseres.
9. Velg estimator etter designet, ikke omvendt.
10. Planlegg sensitivitets- og placeboanalyser.
11. Rapporter usikkerhet og alternative forklaringer.
12. Knytt resultatet til en konkret beslutning.

Hvis teamet ikke kan forklare hvorfor sammenligningsgruppen representerer det kontrafaktiske utfallet, er analysen ikke klar for konklusjoner.

Vanlige feil som svekker konklusjonen

De største feilene oppstår ofte før modellen kjøres. De handler om spørsmål, utvalg og antakelser mer enn om kode.

• Å tolke en prediksjonsmodell kausalt: En variabel kan være nyttig for prediksjon uten å være et godt tiltak.
• Å kontrollere for alt: Mediatorer og collidere kan gjøre estimatet mer skjevt, ikke mindre.
• Å ignorere tidspunkt: En kontrollvariabel må være målt før tiltaket hvis den skal beskrive utgangspunktet.
• Å overse endringer rundt lanseringen: Sesong, pris, trafikkmiks eller andre produktendringer kan forklare utviklingen.
• Å lete etter metoden etter at resultatet er kjent: Mange modellvarianter øker risikoen for et resultat som ikke holder.
• Å rapportere bare gjennomsnittet: En gjennomsnittlig effekt kan skjule at grupper påvirkes forskjellig.
• Å hoppe over robusthetstester: Et estimat bør forsøkes avkreftet før det brukes i en beslutning.
• Å generalisere for bredt: En effekt i ett utvalg, én periode eller én kanal gjelder ikke automatisk andre settinger.

Transparente antakelser er en styrke. De viser hva resultatet avhenger av og hva som bør undersøkes videre.

Hva betyr causal inference?

Causal inference betyr å trekke en begrunnet slutning om årsak og virkning fra data, studiedesign og eksplisitte antakelser. På norsk brukes ofte uttrykket kausal inferens. Målet er å anslå hva et tiltak endrer, ikke bare hvilke variabler som henger sammen.

Er causal inference det samme som korrelasjon?

Nei. Korrelasjon beskriver samvariasjon, mens causal inference prøver å anslå effekten av en endring eller intervensjon. En korrelasjon kan skyldes en felles årsak, seleksjon, omvendt årsaksretning eller tilfeldighet.

Kan observasjonsdata bevise årsakssammenheng?

Observasjonsdata kan støtte en kausal konklusjon når designet og antakelsene er troverdige, men dataene beviser ikke årsak alene. Analysen må forklare hvordan skjevhet og konfoundere håndteres, og hvor følsomt resultatet er for antakelser som ikke kan testes direkte.

Hva er en DAG i causal inference?

En DAG er et rettet, asyklisk diagram som viser antatte årsaksforbindelser mellom variabler. Diagrammet brukes til å synliggjøre antakelser og velge hvilke variabler analysen bør justere for.

Er A/B-testing causal inference?

Ja, en godt gjennomført A/B-test er en form for causal inference. Randomiseringen gjør gruppene mer sammenlignbare, slik at forskjellen i utfall kan tolkes som en effekt av tiltaket under designets forutsetninger.

Trenger causal inference maskinlæring?

Nei. Mange kausale spørsmål kan besvares med enkle statistiske metoder når designet er godt. Maskinlæring kan være nyttig ved komplekse eller høydimensjonale data, men kan ikke erstatte et tydelig kausalt spørsmål og forsvarlige antakelser.

Fra analyse til beslutning

Causal inference er verdifullt når det gjør en beslutning mer presis og etterprøvbar. Det viktigste er ikke å bruke den mest avanserte modellen, men å formulere riktig spørsmål, gjøre antakelsene synlige og teste om konklusjonen tåler rimelige alternativer.

Har du et produkt- eller dataspørsmål der korrelasjon ikke er nok? Start en samtale om hvordan spørsmålet kan avgrenses og undersøkes.