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.
126<br />
gelb zu sein). Entsprechend beschreibt <strong>die</strong> Gegenwahrscheinlichkeit<br />
<strong>die</strong><br />
Wahrscheinlichkeit, mit der der Cluster <strong>die</strong> Merkmalsausprägung B, also z.B. grün<br />
zu sein, hervorbringt. Da <strong>die</strong> Wahrscheinlichkeit<br />
unbekannt ist, definieren wir<br />
für <strong>die</strong>se eine A-priori-Verteilung, <strong>und</strong> zwar unter der Annahme, dass Cluster von<br />
den Merkmalsausprägungen her homogen sind,<br />
also entweder nahe 0 oder<br />
nahe 1 liegt (hierfür bietet sich eine Beta-Verteilung mit sehr kleinen Parametern<br />
an) 53 . Seien nun<br />
<strong>die</strong> Merkmalsausprägungen der Effekte, <strong>die</strong> dem Cluster z j<br />
zugeordnet sind. Dann ergibt sich unter der Annahme, dass <strong>die</strong> Cluster hinsichtlich<br />
der Merkmale unabhängig voneinander sind <strong>und</strong> sich damit das<br />
Gesamtlikelihood als Produkt der Likelihoods über <strong>die</strong> Cluster darstellt:<br />
(28)<br />
mit<br />
(29)<br />
als Binomial-Modell <strong>und</strong><br />
(30)<br />
als Beta-Prior.<br />
Innerhalb eines Clusters z j bestimmt sich damit das Likelihood des beobachteten<br />
Merkmals entsprechend der Binomial-Verteilung: Ist – wie oben beschrieben<br />
– <strong>die</strong> Wahrscheinlichkeit der Merkmalsausprägung A gleich<br />
<strong>und</strong><br />
entsprechend <strong>die</strong> Wahrscheinlichkeit der Merkmalsausprägung B gleich<br />
, dann ist das Likelihood genau [ ]-mal <strong>die</strong> Ausprägung A <strong>und</strong><br />
[ ]-mal <strong>die</strong> Ausprägung B zu beobachten, proportional zu Gleichung<br />
29.<br />
Betrachtet man <strong>die</strong>sbezüglich nun Abbildung 37, dann sieht man, dass <strong>die</strong><br />
in den Teilabbildungen (c) <strong>und</strong> (d) dargestellten Partitionierungen im Hinblick auf<br />
das betrachtete Merkmal der Effekte eine sehr hohe Wahrscheinlichkeit haben,<br />
da alle enthaltenen Cluster perfekt homogen sind, d.h. <strong>die</strong> zu wählenden θs ent-<br />
53 Zum Beispiel eine -Verteilung, <strong>die</strong> umgekehrt u-förmig ist <strong>und</strong> viel Wahrscheinlichkeitsgewicht<br />
nahe 0 <strong>und</strong> nahe 1 hat.