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.
129<br />
Abbildung 38. Modellvorhersage auf der Basis einer Monte-Carlo-Simulation mit<br />
100 000 Durchgängen in einem Common-Cause-Modell mit einer Ursache C <strong>und</strong><br />
fünf Effekten. Die Parameter des kausalen Systems wurden hierfür aus den gleichen<br />
Verteilungen gezogen, <strong>die</strong> für <strong>die</strong> „Sending“-<strong>Bedingung</strong> im Basismodell<br />
Verwendung fanden. Der Parameter für <strong>die</strong> cluster-spezifischen Merkmalswahrscheinlichkeiten<br />
wurde aus einer -Verteilung gezogen. Die A-<br />
priori-Wahrscheinlichkeiten der möglichen Partitionen entstammen einem Chinese-Restaurant-Prozess<br />
(CRP).<br />
6.3 Experiment 8<br />
Die Vorhersage des Modells, dass der Einfluss des Status der Effektvariablen von<br />
deren weiteren (kausal relevanten) Merkmalen abhängt, soll im Folgenden empirisch<br />
im bereits in den vorhergehenden Experimenten benutzten Paradigma getestet<br />
werden. Hierfür bietet es sich an, für den „Sending“-Fall – der ja starke<br />
Abhängigkeiten repräsentiert – Effektaliens mit unterschiedlichen Merkmalen zu<br />
benutzen. Das Modell sagt vorher, dass im Hinblick auf <strong>die</strong> Bewertung der Anwesenheit<br />
eines Zieleffekts der Einfluss derjenigen Effekte, <strong>die</strong> andere Merkmalsausprägungen<br />
haben als der Zieleffekt, deutlich geringer ausfallen sollte, als der<br />
Einfluss derjenigen Effekte, <strong>die</strong> <strong>die</strong> gleichen Eigenschaften haben wie der Zieleffekt.<br />
Als saliente Eigenschaft kann hierfür <strong>die</strong> Farbe der Aliens herangezogen