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.
127<br />
weder 0 oder 1 sind. Die in den Teilabbildungen (a) <strong>und</strong> (b) dargestellten Partitionierungen<br />
haben jedoch ein deutlich geringeres Likelihood, da <strong>die</strong> Cluster<br />
nicht bzw. zum Teil nicht homogen sind.<br />
Nimmt man nun <strong>die</strong> A-Priori-Wahrscheinlichkeit einer Partitionierung <strong>und</strong><br />
deren Likelihood zusammen, sieht man z.B. für <strong>die</strong> in Abbildung 37c dargestellte<br />
Partitionierung, dass <strong>die</strong>se wahrscheinlich das höchste Gewicht erhalten wird.<br />
Zwar haben Partitionierung (c) <strong>und</strong> (d) das gleiche Likelihood, (c) ist aber a priori<br />
viel wahrscheinlicher. Genauso sind (b) <strong>und</strong> (c) a priori gleich wahrscheinlich, (c)<br />
hat aber das höhere Likelihood.<br />
6.2.4 Modellvorhersagen<br />
Die Modellvorhersage selbst ergibt sich wie in Abschnitt 6.2.1 beschrieben als<br />
gewichteter Mittelwert aller Zielinferenzen über alle möglichen Partitionierungen.<br />
Welche Vorhersage ergibt sich nun für <strong>die</strong> Wahrscheinlichkeit der Anwesenheit<br />
des Zieleffekts gegeben des Status der Ursache, des Status der weiteren<br />
Effekte <strong>und</strong> deren Features? Betrachten wir hierfür eine Common-Cause-Struktur<br />
mit fünf Effekten, <strong>die</strong> je eine binäre Eigenschaft haben, wie sie in Abbildung 36<br />
<strong>und</strong> Abbildung 37 dargestellt ist. In einer solchen Struktur kann nun nach den<br />
Herleitungen in den vorangehenden Abschnitten qualitativ erwartet werden, das<br />
<strong>die</strong> Inferenz über <strong>die</strong> Anwesenheit eines unbeobachteten Zieleffekts, z.B. E 5 , umso<br />
stärker vom Status eines anderen Effekts abhängig ist, je ähnlicher <strong>die</strong>ser dem<br />
Zieleffekt ist. Eine Einschätzung bezüglich der Anwesenheit des Effekts E 5 sollte<br />
mithin also – entsprechende Annahmen über <strong>die</strong> zugr<strong>und</strong>eliegenden Kausalprozesse<br />
vorausgesetzt – stark vom Status der Effekte E 3 <strong>und</strong> E 4 , aber weniger stark<br />
– weil eine andere Merkmalsausprägung aufweisend – von den Effekten E 1 <strong>und</strong><br />
E 2 abhängig sein.<br />
Für eine konkrete Vorhersage müssen wieder Annahmen über <strong>die</strong> zugr<strong>und</strong>eliegenden<br />
Parameter getroffen werden. Für <strong>die</strong> kausalen Zielinferenzen, wie<br />
sie für eine beliebig gegebene Partitionierung z in Abschnitt 6.2.2 abgeleitet<br />
wurden, können einfach <strong>die</strong> Parameterverteilungen verwendet werden, wie sie<br />
bereits für <strong>die</strong> Vorhersagen des Basismodells in Abschnitt 4.3 genutzt wurden.<br />
Dabei soll sich im Folgenden allerdings auf <strong>die</strong> Entsprechung zur „Sending“-<br />
<strong>Bedingung</strong> beschränkt werden, also ein Fall mit einer bzw. bei mehreren Clustern