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.
122<br />
(25)<br />
Auf <strong>die</strong>ser Ebene handelt es sich also wieder um eine Art zweistufige Inferenz:<br />
Gegeben der Merkmale der Effekte kann für jede mögliche Partitionierung<br />
eine Wahrscheinlichkeit <strong>und</strong> gegeben einer Partitionierung kann <strong>die</strong> auf <strong>die</strong> Partitionierung<br />
bedingte Zielinferenz bestimmt werden. Die letztendliche Zielinferenz,<br />
also <strong>die</strong> Wahrscheinlichkeit der Anwesenheit des Zieleffekts gegeben des<br />
Status der Ursache <strong>und</strong> der anderen Effekte, ergibt sich dann als gewichtetes<br />
Mittel der auf <strong>die</strong> Partitionierungen bedingten Zielinferenzen. Partitionierungen,<br />
<strong>die</strong> aufgr<strong>und</strong> der beobachteten Merkmale eine hohe Wahrscheinlichkeit haben,<br />
haben einen großen Einfluss auf <strong>die</strong> Zielinferenz, Partitionierungen, <strong>die</strong> aufgr<strong>und</strong><br />
der beobachteten Merkmale äußerst unwahrscheinlich sind, haben praktisch<br />
keinen Einfluss.<br />
Im Folgenden sollen <strong>die</strong> beiden Schritte etwas ausführlicher beschrieben<br />
<strong>und</strong> hergeleitet werden.<br />
6.2.2 Zielinferenz gegeben einer Partitionierung z<br />
Wäre <strong>die</strong> kausal relevante Partitionierung z der Effekte bekannt, ließe sich <strong>die</strong><br />
Zielinferenz relativ einfach bestimmen. Wie oben bereits beschrieben, ist <strong>die</strong><br />
gr<strong>und</strong>sätzliche Modellierungsidee, dass <strong>die</strong> Effekte innerhalb eines Clusters z j<br />
eine gemeinsame Fehlerquelle PN zj teilen. Das heißt, es wird davon ausgegangen,<br />
dass es nur Abhängigkeiten zwischen Effekten innerhalb eines Clusters gibt, aber<br />
nicht zwischen Effekten verschiedener Cluster (für Beispiele siehe Abbildung 36).<br />
Dies lässt sich als vereinfachende Annahme dadurch rechtfertigen, dass es sich<br />
bei der als bekannt angenommenen Partitionierung um eine kausal relevante<br />
Partitionierung handelt 50 . (Das Problem für <strong>die</strong> Zielinferenz ist aber, dass <strong>die</strong> relevante<br />
Partitionierung bzw. <strong>die</strong> relevanten Partitionierungen aus den beobacht-<br />
50 Man könnte argumentieren, dass es neben den cluster-spezifischen gemeinsamen Fehlerquellen<br />
noch eine gemeinsame Fehlerquelle geben sollte, <strong>die</strong> auf alle Effekte unabhängig von ihrer<br />
Clusterzugehörigkeit wirkt. Da jedoch aufgr<strong>und</strong> der Aggregation über <strong>die</strong> verschiedenen Partitionierungen<br />
auch <strong>die</strong> Partitionierung in <strong>die</strong> Zielinferenz eingeht, <strong>die</strong> alle Effekte in einem Cluster<br />
vereinigt, mithin also alle Effekte mit einer gemeinsamen Fehlerquelle ausstattet, scheint <strong>die</strong>se<br />
Fehlerquelle auf Partitionierungsebene entbehrlich.