Vorhersagen beruhen auf die Annahme kausaler Zusammenhänge, also auf die angenommene Abfolge von Ursache und Wirkung. Hierbei geht man im Allgemeinen davon aus, dass eine Ursache zeitlich vor der Wirkung auftreten muss. Beobachtet oder stellt man eine Ursache her, kann man erwarten, dass in einem bestimmten zeitlichen Abstand auch die Wirkung eintreten wird.
Interessant sind Ursache-Wirkungsketten also nicht nur, weil sich mit Ihrer Hilfe Informationen über zukünftige Zustände ableiten lassen (klassische Vorhersage), sondern weil sie die Möglichkeit einer Kontrolle implizieren, also die Chance bieten, zukünftige Zustände gezielt herzustellen.
Es wundert also nicht, dass das Aufdecken kausaler Beziehungen ein vorrangiges Anliegen jedweder Forschung darstellt. So sollen beispielsweise Medikamente und Therapien die Heilung bewirken, Impfungen Erkrankungen verhindern, Werbekampagnen Verkaufszahlen steigern, Preissenkungen den Absatz erhöhen u.v.a.m.
So vielversprechend Kausalanalysen sind, so schwer lassen sie sich empirisch umsetzen. Meistens haben Wirkungen mehrere Ursachen und oft sind Störvariablen am Werk, die eine Messung verfälschen. Streng genommen kann man nur in experimentellen Anordnungen, also Anordnungen, in denen eine strenge Kontrolle der Untersuchungsbedingungen und eine systematische Variation der verursachenden Faktoren gewährleistet ist, von echten kausalen Nachweisen sprechen (und selbst das ziehen Philosophen und Wissenschaftstheoretiker in Zweifel).
In den Sozialwissenschaften und insbesondere in der Marktforschung lassen sich aber selten experimentelle Bedingungen herstellen, so kann man z.B. Menschen nicht zwingen ein bestimmtes Auto zu kaufen, um den Einfluss des Fahrzeugbesitzes auf die Markenwahrnehmung zu bestimmen. Bei einer solchen Fragestellung muss man sich damit begnügen, Personen zu befragen, die das Fahrzeug (aus welchen Gründen auch immer) bereits gekauft haben und mit jenen Personen zu vergleichen, die das aus (vielleicht ganz anderen Gründen) nicht getan haben. Es liegt auf der Hand, dass es sich hierbei um ganz unterschiedliche Personengruppen handeln wird, was wiederum Einfluss sowohl auf die Kaufentscheidung als auch auf die Markenwahrnehmung haben wird.
Statistische Verfahren der Kausalanalysen umgehen dieses Dilemma, in dem sie Kausalität rechnerisch, man könnte sagen, simulieren und dadurch kausale Beziehungen auch in nicht-experimentellen Untersuchungsdesign schätzen.