Ein häufiger Fehler in der angewandten Datenanalyse besteht darin, Variablenselektion ausschließlich auf Basis der Vorhersagegüte eines Modells zu betreiben. Predictive Models optimieren auf minimalen Prädiktionsfehler – sie haben jedoch keinen Anreiz, Confounder (Störvariablen, die sowohl Treatment als auch Outcome beeinflussen) vollständig zu berücksichtigen, wenn diese die Vorhersage nicht wesentlich verbessern. Die Folge ist eine systematische Verzerrung (Bias) des geschätzten Kausaleffekts: Das Modell mag auf Testdaten hervorragend performen, liefert aber für kausale Fragestellungen wie „Welche Wirkung hat diese Behandlung?" falsche Antworten. Bayesian Adjustment for Confounding (BAC) ist ein statistischer Ansatz, der dieses Dilemma adressiert, indem er die Selektion von Confoundern explizit vom Ziel der Vorhersagegüte entkoppelt. BAC gewichtet Variablen danach, wie stark sie die Beziehung zwischen Treatment und Outcome konfundieren könnten – nicht danach, wie gut sie das Outcome allein erklären. Technisch verbindet BAC Bayesianische Modellmittelung (Bayesian Model Averaging) mit einem Prior, der Variablen mit starkem Zusammenhang zum Treatment bevorzugt. Damit richtet sich der Beitrag an Praktikerinnen und Praktiker, die ML-Modelle für Policy- oder medizinische Entscheidungen einsetzen und verstehen müssen, warum Kausalinferenz andere methodische Anforderungen stellt als reine Prognose.