Kausales Denken, Bayes-Netze und die Markov-Bedingung

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