Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
99<br />
5.3 Schließen im Fall weiterer beobachteter präventiver Ursachen<br />
Im vorhergehenden Abschnitt wurde gezeigt, dass das Modell auch auf <strong>die</strong> Struktur<br />
einer kausalen Kette angewendet werden kann <strong>und</strong> dass in einem solchen<br />
Fall sowohl modelltechnisch als auch empirisch der Einfluss der Annahmen über<br />
<strong>die</strong> zugr<strong>und</strong>eliegenden Kausalprozesse verschwindet. Damit wurde ein weiterer,<br />
struktureller Beleg erbracht, dass es sich bei dem gef<strong>und</strong>enen Unterschied zwischen<br />
einer „Reading“- <strong>und</strong> einer „Sending“-<strong>Bedingung</strong> wirklich um eine an <strong>die</strong><br />
Ursache-Effekt-Relation gekoppelte Fehlerattribution handelt.<br />
Wenn nun der zugr<strong>und</strong>eliegende Prozess mithin wirklich mit einer<br />
Fehlerattribution erklärt werden kann, dann sollte sich <strong>die</strong>se Attribution auch in<br />
den zuvor verwendeten Common-Cause-Strukturen strukturell beeinflussen lassen,<br />
in dem weitere Variablen in das kausale System eingeführt werden, <strong>die</strong> für<br />
<strong>die</strong> Abwesenheit der beobachtbaren Effekte verantwortlich gemacht werden<br />
können. Stellt man sich z.B. eine Common-Cause-Struktur vor, <strong>die</strong> mit einem kausalen<br />
Prozess beschrieben wird, der eine ursacheseitige Fehlerattribution nahelegt<br />
(z.B. „Sending“), dann wird normalerweise <strong>die</strong> Abwesenheit mehrerer Effekte<br />
der anwesenden gemeinsamen Ursache auf <strong>die</strong> gemeinsame Fehlerquelle attribuiert.<br />
Die Einschätzung der Anwesenheit des Zieleffekts sollte in einer solchen<br />
Situation entsprechend niedrig ausfallen, da auch <strong>die</strong>ser betroffen ist. Führt man<br />
in <strong>die</strong>ses System nun eine weitere präventive, als anwesend beobachtete Ursache<br />
ein, <strong>die</strong> nur <strong>die</strong> beobachteten Effekte, aber nicht den unbeobachteten Effekt<br />
betrifft, dann sollte <strong>die</strong> Abwesenheit der beobachteten Effekte vornehmlich auf<br />
<strong>die</strong> als anwesend beobachtete, weitere präventive Ursache <strong>und</strong> weniger auf <strong>die</strong><br />
nicht-beobachtete Fehlerquelle attribuiert werden. In einem solchen Fall sollte<br />
das Urteil über <strong>die</strong> Anwesenheit des Zieleffekts also deutlich weniger von der<br />
Anzahl der als abwesend beobachteten Effekte abhängig sein.<br />
Im vorliegenden Abschnitt sollen daher <strong>die</strong> Auswirkungen der Einführung<br />
einer solchen weiteren, beobachteten Fehlerquelle auch formal auf Modellebene<br />
untersucht, Vorhersagen abgeleitet <strong>und</strong> in einem Experiment getestet werden.<br />
5.3.1 Modellierung<br />
Ausgangspunkt für <strong>die</strong> Modellierung ist wieder eine Common-Cause-Struktur mit<br />
einer Ursache C <strong>und</strong> den Effekten E 1 , …, E n , wie sie in Kapitel 4 eingeführt worden