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

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