Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
121<br />
Zieleffekts E n in einer Common-Cause-Struktur gegeben des Status der gemeinsamen<br />
Ursache C <strong>und</strong> der anderen beobachteten Effekte E 1 , … E n-1 . Ergänzend<br />
hinzu treten jedoch Informationen über Merkmale der Effekte. Sei dazu F eine<br />
Feature-Matrix, <strong>die</strong> für jeden der Effekte E 1 , …, E n <strong>die</strong> Ausprägung eines binären<br />
Merkmals (feature) <strong>die</strong>ser Effekte enthält. 49 Dann lässt sich <strong>die</strong> Zielinferenz<br />
schreiben als:<br />
(23)<br />
Der Parametervektor ω stellt wieder das abstrakte Vorwissen bzw. <strong>die</strong> Annahmen<br />
der Versuchspersonen über <strong>die</strong> kausale Domäne dar (siehe dazu Näheres<br />
in Abschnitt 4.2) <strong>und</strong> der Parametervektor ψ das Wissen um <strong>die</strong> kategoriale<br />
Struktur der Domäne (insbesondere das Wissen um <strong>die</strong> kausale Relevanz des<br />
Merkmals <strong>und</strong> <strong>die</strong> <strong>die</strong>sbezügliche Unsicherheit). Um mit den Parametern der<br />
kausalen Domäne rechnen zu können, werden <strong>die</strong>se analog dem Vorgehen im<br />
Basismodell in das System eingeführt <strong>und</strong> ausintegriert:<br />
(24)<br />
Soweit entspricht das Vorgehen der Ableitung des Basismodells, es stellt<br />
sich nun aber <strong>die</strong> Frage, wie <strong>die</strong> Inferenz<br />
aufgelöst<br />
werden kann. In Anlehnung an das Causal-Schemata-Modell von Kemp et<br />
al. (2007) können hierbei <strong>die</strong> in <strong>die</strong> Inferenz eingehenden Merkmale F als durch<br />
eine generative Kategorienstruktur hervorgebracht gedacht werden. Das heißt,<br />
es gibt eine Partitionierung z der Effekte E 1 , …, E n in höchstens n Cluster <strong>und</strong> jeder<br />
Cluster z j ist mit einer Wahrscheinlichkeit verb<strong>und</strong>en, mit der er das<br />
Merkmal i hervorbringt. Die wahre Partitionierung der Effekte wie auch <strong>die</strong><br />
Merkmalsstruktur der <strong>die</strong> Partitionierung bildenden Cluster ist jedoch unbekannt<br />
<strong>und</strong> muss erschlossen werden. Die eigentliche Inferenz bezüglich des Zieleffekts<br />
hängt wiederum nur von der Partitionierung, nicht aber von den Merkmalen der<br />
Effekte ab. Dazu führen wir <strong>die</strong> möglichen Partitionierungen in das System ein<br />
<strong>und</strong> integrieren über alle möglichen Partitionierungen z:<br />
49 Dies <strong>die</strong>nt hier nur der übersichtlicheren Darstellung <strong>und</strong> kann einfach auf den Fall von k<br />
Merkmalen erweitert werden.