Die Feststellung der Kausalität ist häufig die Hauptmotivation für die Forschung. Politische Entscheidungsträger wollen oft verstehen, wie sich die Einführung eines neuen Programms oder eines anderen politischen Instruments auf ein bestimmtes Ergebnis auswirken wird. Werden kleinere Klassengrößen das Lernen der Schüler verbessern? Wird die Einführung von strengeren Hintergrundkontrollen für Waffenkäufer die Waffengewalt verringern? Biomedizinische Forscher wollen oft herausfinden, ob ein neues Medikament die Ergebnisse einer Krankheit verbessern wird. Wird die Einnahme eines Medikaments die Lebenserwartung erhöhen oder gar die untersuchte Krankheit heilen? Um diese und ähnliche Fragen zu beantworten, müssen Analysten Forschungsdesigns entwickeln, die für den Kausalschluss geeignet sind. Die Schätzung eines kausalen Effekts ist eine Herausforderung, aber sie ist unerlässlich, um die Auswirkungen einer Politik, eines Medikaments oder einer anderen Art von Intervention zu verstehen.

In den nächsten vier Lektionen werden wir damit beginnen, Rohdaten zu verstehen. Die Betrachtung von Rohdaten, z.B. in einer Tabelle, sagt nicht viel über die wichtigsten Punkte aus. Nehmen wir eine Variable wie eine Umfrage, in der nach dem Ausmaß der Diskriminierung in den USA gefragt wird (die Antwortmöglichkeiten sind "viel", "etwas", "nur ein wenig", "gar nicht" und "weiß nicht"). Wenn Sie die Rohdaten lesen, erfahren Sie nichts über den durchschnittlichen Befragten oder die Verteilung der Antworten auf die möglichen Antwortmöglichkeiten. Um die Form der Verteilung besser zu verstehen, können wir Maße der zentralen Tendenz und der Streuung berechnen und die Streuung der Daten charakterisieren. Diese zusammenfassenden Statistiken ermöglichen es einem Forscher, einige einfache, aber aussagekräftige erste Schlussfolgerungen darüber zu ziehen, was die Daten uns in der realen Welt sagen.

Edward Tufte, ein weltbekannter Experte für Datenvisualisierung, sagte einmal: "Es gibt keine Informationsflut. Es gibt nur schlechtes Design." Wenn es darum geht, die Ergebnisse einer Analyse zu kommunizieren, und insbesondere, wenn Sie versuchen, ein Publikum zu überzeugen, sagt ein Bild mehr als tausend Worte. Ein gut gestaltetes Diagramm kann sowohl eine kleine als auch eine große Menge an Daten nutzen, um ein überzeugendes Argument zu liefern. Datenvisualisierungen heben bestimmte Punkte der zugrundeliegenden Informationen hervor und ermöglichen es dem Betrachter, Erkenntnisse zu gewinnen, die beim alleinigen Blick auf die Zahlen fast unsichtbar sind. Kurz gesagt: Um gut mit Daten kommunizieren zu können, müssen Sie geschickt darin sein, Daten zu visualisieren.