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.
123<br />
baren Merkmalen erschlossen werden muss, was selbst wiederum mit Unsicherheit<br />
behaftet ist.)<br />
Seien nun für eine gegebene Partitionierung z<br />
<strong>die</strong>jenigen Effekte, <strong>die</strong><br />
zum z j ten Cluster innerhalb der Partitionierung gehören (E n , der Zieleffekt, selbst<br />
nicht eingeschlossen) <strong>und</strong> z n der Cluster, der E n enthält, <strong>und</strong> damit<br />
<strong>die</strong>jenigen<br />
Effekte, <strong>die</strong> sich im selben Cluster wie E n befinden. Da E n nur mit den Effekten<br />
eine gemeinsame Fehlerquelle, , teilt, nicht aber mit den anderen<br />
Effekten der Common-Cause-Struktur, lässt sich <strong>die</strong> Zielinferenz gegeben einer<br />
Partitionierung z analog zu Gleichung 11 in Abschnitt 4.2 vereinfacht schreiben<br />
als:<br />
(26)<br />
Damit entspricht <strong>die</strong> Zielinferenz gegeben einer Partitionierung z exakt<br />
dem Basismodell (siehe Kapitel 4), wenn man sich <strong>die</strong>jenigen Effekte<br />
hinwegdenkt, <strong>die</strong> sich nicht im selben Cluster wie E n befinden.<br />
In Abbildung 36 sind zur Veranschaulichung für eine Common-Cause-<br />
Struktur mit fünf Effekten beispielhaft vier der 52 möglichen Partitionierungen 51<br />
<strong>und</strong> <strong>die</strong> zugehörigen Fehlerquellen dargestellt. In Teilabbildung (a) gehören alle<br />
Effekte zu einem Cluster, d.h. sie teilen sich auch eine gemeinsame Fehlerquelle<br />
<strong>und</strong> damit hängt <strong>die</strong> Zielinferenz, z.B. hinsichtlich des Effektes E 5 , von allen anderen<br />
Effekten ab. In Teilabbildung (b) <strong>und</strong> (c) sind <strong>die</strong> Effekte in zwei Cluster aufgeteilt.<br />
Die Zielinferenz hinsichtlich E 5 hängt hier nur von E 4 (b) bzw. von E 3 <strong>und</strong> E 4<br />
(c) ab. In Teilabbildung (d) gehört jeder Effekt zu einem eigenen Cluster, <strong>die</strong> Zielinferenz<br />
über E 5 ist damit unabhängig von den anderen Effekten; es handelt sich<br />
auf der Ebene der beobachtbaren Variablen also um ein <strong>Bayes</strong>-Netz mit <strong>Markov</strong>-<br />
<strong>Bedingung</strong> (siehe für eine analoge Herleitung für ein Causal-Chain-Modell Abschnitt<br />
5.2.1).<br />
51 Die Anzahl der möglichen Partitionierungen einer Menge von n Objekten wird durch <strong>die</strong><br />
Bellsche Zahl beschrieben.