Kausales Denken, Bayes-Netze und die Markov-Bedingung

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