Der Begriff maschinelles Lernen suggeriert, Algorithmen könnten perfekt die Zukunft vorhersagen. Dass dem nicht so ist, zeigt dieser Beitrag. Dennoch sind die Fähigkeiten Algorithmen-basierter Systeme, unser zukünftiges Verhalten bestmöglich vorherzusagen, nicht zu unterschätzen, auch wenn sie dazu Daten aus der Vergangenheit benutzen.
Schlagwörter wie "Industrielle Revolution 4.0", "Digitalisierung", "Big
Data", "artifizielle Intelligenz" und "maschinelles Lernen" sind zurzeit in
aller Munde und hängen konzeptionell zusammen. Durch die fortschreitende
Automatisierung und Digitalisierung übernehmen Maschinen, Programme und
Algorithmen zusehends mehr, ehemals von Menschen durchgeführte wirtschaftliche
Aktivitäten, insbesondere solche mit einem hohen Routineanteil. Dazu gehören

Wie lassen sich in den Sozialwissenschaften Kausalitäten messen? Dieser Beitrag stellt die vier bekanntesten Ansätze vor und diskutiert ihre Vor- und Nachteile.
Einleitung
Die wirtschafts- und sozialwissenschaftliche
Kausalanalyse untersucht anhand empirischer Daten die ursächliche Wirkung eines
bestimmten Phänomens auf ein bestimmtes Ergebnis. Beispiele hierfür sind die Wirkung
von frühkindlicher Förderung auf Bildung, von Bildung auf Einkommen oder von
Einkommen auf Gesundheit, um nur ein paar zu nennen. Die Herausforderung der
Kausalanalyse liegt in der Tatsache, dass sich die Wirkung eines Phänomens in
der Regel nur schwer von der Wirkung anderer Phänomene isolieren lässt. So
stehen wir zum Beispiel bei der Messung des Effekts von Bildung (Phänomen) auf
Einkommen (Ergebnis) vor dem Problem, dass individuelle Merkmale wie Motivation,
Intelligenz, Sozialverhalten und anderes sowohl die Bildung als auch das
Einkommen eines Menschen beeinflussen. In diesem Fall entspricht ein naiver
Einkommensvergleich zwischen höher und geringer Gebildeten nicht dem kausalen
Effekt der Bildung, weil sich die Bildungsgruppen auch noch in anderen  Merkmalen unterscheiden, die ebenfalls einen
Einkommenseffekt aufweisen. Kurzum: Äpfel werden mit Birnen verglichen, was das
Bestimmen von Ursache und Wirkung verunmöglicht.

Der "unerklärte" Teil der Lohndifferenz, d.h. der mittlere Lohnunterschied zwischen Frauen und Männern, die hinsichtlich bestimmter lohnrelevanter Charakteristika vergleichbar sind, wird in der öffentlichen Diskussion häufig mit der Lohndiskriminierung gleichgesetzt. Dieser Beitrag zeigt jedoch, dass die Messung von Lohndiskriminierung unter Berücksichtigung der lohnrelevanten Charakteristika grosse methodische Tücken birgt.
Das Schweizerische Gleichstellungsgesetz (Art.3 Abs. 1-2) verbietet (Lohn-)Diskriminierung am Arbeitsmarkt aufgrund des Geschlechtes und verpflichtet somit die Arbeitgeber, Frauen und Männer für gleichwertige Arbeit gleich zu entlohnen, wie auch in der Bundesverfassung (BV Art. 8 Abs. 3) festgelegt. Um die Lohnrealität den gesetzlichen Vorgaben gegenüberzustellen, werden in regelmässigen Abständen vom Bundesamt für Statistik und anderen Stellen (insbesondere Universitäten) statistische Studien zu den Lohndifferenzen zwischen Männern und Frauen durchgeführt.
Besondere Beachtung in diesen statistischen Zerlegungen der Lohnunterschiede findet dabei der sogenannte "unerklärte" Teil der Lohndifferenz, also der mittlere Lohnunterschied zwischen Männern und jenen Frauen, die mit den Männern hinsichtlich Ausbildung, Beruf, Alter, Arbeitsmarkterfahrung und anderen lohnrelevanten Charakteristiken vergleichbar sind.