Kausales Denken, Bayes-Netze und die Markov-Bedingung

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