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.
133<br />
Design mit drei Messwiederholungsfaktoren. Da sich daraus in vollständiger Erfassung<br />
18 Testfälle ergeben würden, wurden <strong>die</strong> Versuchspersonen nunmehr je<br />
Ausprägung des Faktors C (Gonz denkt an nichts vs. Gonz denkt an „POR“) in einem<br />
balancierten, partiell-konf<strong>und</strong>ierten randomisierten Blockdesign (siehe Kirk,<br />
1995) dergestalt getestet, dass von den neun Kombinationsmöglichkeiten der<br />
Faktoren <strong>und</strong> (3x3) jeweils nur drei vorgelegt wurden, so dass jede Ausprägung<br />
jedes Faktors genau einmal realisiert wurde (jeweils drei Versuchspersonen<br />
konstituieren damit einen vollständigen Datensatz).<br />
Vorhersage. Die empirische Vorhersage ergibt sich aus der Vorhersage des auf<br />
den Kategorienfall erweiterten Basismodells (siehe Abschnitt 6.2). Wenn <strong>die</strong> gemeinsame<br />
Ursache C anwesend ist, sollten im Durchschnitt deutlich höhere Bewertungen<br />
der Anwesenheit des Zieleffekts auftreten, als wenn <strong>die</strong>se abwesend<br />
ist (Haupteffekt C). Für den Fall der Abwesenheit der Ursache (C=0) ergibt sich<br />
wie im Basismodell <strong>die</strong> Vorhersage, dass es keinen Einfluss der Anzahl der als<br />
anwesend beobachteten Effekte sowohl der gleichen wie auch der anderen Kategorie<br />
geben sollte (keine Haupteffekte für C=0 bezüglich <strong>und</strong> wie<br />
auch keinen Interaktionseffekt x für C=0). Ist <strong>die</strong> gemeinsame Ursache<br />
jedoch anwesend (C=1), so wird erwartet, dass es einen deutlichen Einfluss der<br />
Anzahl der als anwesend beobachteten Effekte sowohl der gleichen wie auch der<br />
anderen Kategorie gibt (Haupteffekte für C=1 bezüglich <strong>und</strong> ). Eine Interaktion<br />
zwischen den beiden Faktoren – also <strong>die</strong> Frage, ob <strong>die</strong> Anzahl der als<br />
anwesend beobachteten Effekte der gleichen Kategorie im Hinblick auf <strong>die</strong> Anzahl<br />
der als anwesend beobachteten Effekte der anderen Kategorie unterschiedlich<br />
wirkt – sollte unbedeutend ausfallen (siehe dazu Abbildung L-1 <strong>und</strong> Abbildung<br />
L-2 in Anhang L).<br />
Des Weiteren wird erwartet – als wichtigste Modellvorhersage –, dass <strong>die</strong><br />
Anzahl der als anwesend beobachteten Effekte der gleichen Kategorie wie der<br />
Zieleffekt einen deutlich stärkeren Einfluss hat als <strong>die</strong> Anzahl der als anwesend<br />
beobachteten Effekte der anderen Kategorie (mithin Effektgröße[<br />
] > Effektgröße<br />
[<br />
] für C=1).