Eine Methode zur Bewertung einer erklärenden Behauptung, eines Modellergebnisses oder eines empirischen Befundes, indem geprüft wird, ob das Ergebnis über eine vielfältige Menge plausibler Annahmen, Modellstrukturen, Parameterwerte oder Versuchsbedingungen hinweg eintritt; Robustheitsanalyse beurteilt, ob eine Schlussfolgerung ein Artefakt bestimmter Entscheidungen ist oder ein stabiles Merkmal des Systems darstellt.

Prinzip

Wenn ein Ergebnis unter beträchtlichen, theoretisch relevanten Variationen von Annahmen, Struktur oder Bedingungen besteht, erhöht dies seine Evidenz, weil es weniger wahrscheinlich von idiosynkratischen Modellentscheidungen abhängt.

Demonstration

Illustratives Szenario: Ökonominnen erhalten die Vorhersage, dass eine Politik die gesamtwirtschaftliche Sparquote steigert (Situation). Sie führen Modelle mit alternativen Nutzenfunktionen, unterschiedlichen Marktfriktionen und variierenden Kalibrierungsdaten durch (Erkennung). Finden sie den qualitativen Effekt über diese Varianten hinweg (Handlung), steigt das Vertrauen, dass der Effekt ein struktureller Mechanismus und kein Modellartefakt ist (Konsequenz).

Fehlanwendung

Aus der beobachteten Robustheit zu schließen, sie garantiere Wahrheit, oder begrenzte Sensitivitätsprüfungen (kleine Parametervariationen) als vollständige Robustheit zu werten; der Fehler besteht darin, nicht die Annahmen oder Strukturen zu variieren, die theoretisch plausibel und materiell relevant sind.

Konsequenz

Robustheitsanalyse kann Kernmechanismen identifizieren, Forschung priorisieren und die Modellabhängigkeit von Inferenz reduzieren; scheinbare Robustheit kann jedoch geteilte Annahmen oder Verzerrungen zwischen Modellen verschleiern und falsches Vertrauen erzeugen, wenn zentrale Alternativen unberücksichtigt bleiben.

Umkehrung

Wenn konkurrierende Modelle eine verdeckte gemeinsame Annahme oder Datenquelle teilen, ist die Robustheit innerhalb dieses Ensembles irreführend; ebenso kann die Robustheit eines qualitativen Musters für Aufgaben, die präzise numerische Vorhersagen verlangen, unzureichend sein.

Abgrenzung

Eindeutig innerhalb: Vergleich von Ergebnissen über strukturell unterschiedliche Modelle und Parameterregime. Randfall: Ein einzelnes Modell mit umfangreicher lokaler Sensitivitätsanalyse. Eindeutig außerhalb: Wiederholung identischen Modellcodes oder derselben Datensätze ohne substanzielle Variation von Annahmen oder Struktur.

Semantische Spannung

Robustheit ↔ Präzision/Spezifizität: Robustheit betont die Stabilität qualitativer Merkmale gegenüber Variation, während Präzision genaue, eng definierte quantitative Vorhersagen fordert, die möglicherweise nicht robust gegenüber strukturellen Änderungen sind.

Synthese

Robustheitsanalyse betrachtet die Stabilität über plausible Alternativen als corroborative Evidenz; sie stärkt Schlüsse, indem sie Modellabhängigkeit offenlegt, muss jedoch die relevanten Annahmen variieren, denn scheinbare Robustheit kann aus gemeinsamen, ungeprüften Verpflichtungen resultieren.