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.
128<br />
entsprechend mit mehreren starken gemeinsamen Fehlerquellen<br />
[ ]. Dies erscheint deshalb sinnvoll, weil eine starke Abhängigkeit<br />
vom Status ähnlicher Effekte ja voraussetzt, dass <strong>die</strong> Annahmen über <strong>die</strong><br />
zugr<strong>und</strong>e liegenden Kausalprozesse eine solche starke Abhängigkeit implizieren,<br />
wie <strong>die</strong>s in der „Sending“-<strong>Bedingung</strong> der Fall war, denn nur dann kann auch eine<br />
substantielle Abnahme <strong>die</strong>ser Abhängigkeit mit steigender Unähnlichkeit der<br />
Effekte erwartet werden.<br />
Für <strong>die</strong> A-priori-Verteilung der möglichen Partitionierungen kommt wie<br />
oben beschrieben ein Chinese-Restaurant-Prozess zum Einsatz (Tendenz zu wenigen<br />
großen Clustern); <strong>die</strong> cluster-spezifischen Merkmalswahrscheinlichkeiten<br />
werden aus einer<br />
gezogen (Tendenz zu homogenen Clustern<br />
bezüglich der Verteilung des Features).<br />
In Abbildung 38 ist <strong>die</strong> Vorhersage des Modells dargestellt, wie sie aus einer<br />
Monte-Carlo-Simulation mit 100 000 Durchgängen gewonnen wurde. Zur<br />
besseren Darstellung sind <strong>die</strong> Vorhersagen über <strong>die</strong> Zustände der Effekte der<br />
jeweils anderen Kategorie gemittelt abgetragen. (Die ungemittelten Vorhersagen<br />
finden sich in Anhang L.)<br />
Die gestrichelte, gelbe Linie stellt dabei <strong>die</strong> Zielinferenz über den Zieleffekt<br />
in Abhängigkeit von der Anzahl der als anwesend beobachteten Effekte mit der<br />
gleichen Farbe dar (der Zieleffekt sei einmal ebenfalls gelb). Man sieht, dass <strong>die</strong><br />
Wahrscheinlichkeit deutlich mit steigender Anzahl ansteigt, wenn <strong>die</strong> gemeinsame<br />
Ursache C anwesend ist. Die durchgezogene, grüne Linie zeigt <strong>die</strong> Abhängigkeit<br />
der Zielinferenz von der Anzahl der als anwesend beobachteten Effekte der<br />
anderen Kategorie (grün). Deutlich zu erkennen ist – wie bereits qualitativ vorhergesagt<br />
– eine merklich geringere Abhängigkeit.