Kausales Denken, Bayes-Netze und die Markov-Bedingung

16
tung haben hierbei vor allem die zeitliche Abfolge der Ereignisse, die Möglichkeit,
aktiv in das kausale System zu intervenieren, sowie spezifisches und abstraktes
Wissen, z.B. in Form kausaler Grammatiken.
Zeitliche Ereignisabfolge. Eine wichtige Rolle bei der Entscheidung um die Richtung
einer Kausalrelation kommt der zeitlichen Abfolge der Ereignisse zu: Da Ursachen
ihre Effekte hervorbringen und nicht umgekehrt, treten Ursachen in der
Regel vor Auftreten des Effekts, zumindest aber nicht danach auf. Untersuchungen
zeigen, dass Probanden sehr sensitiv für diese zeitliche Asymmetrie sind
(Bullock & Gelman, 1979; Lagnado & Sloman, 2006) und dass Informationen über
die zeitliche Abfolge von Ereignissen widersprechende
Kovariationsinformationen sogar überschreiben können, weil letzteren im Hinblick
auf die zugrunde liegende Kausalstruktur bei kleinen Stichproben mehr Unsicherheit
anhaftet (Lagnado & Sloman, 2006). Der zeitliche Abstand zwischen
Ursache-Ereignis und Effekt-Ereignis spielt auch eine zentrale Rolle, wenn es darum
geht, aus einem Strom von Ereignissen die jeweiligen Effekt-Ereignisse ihren
Ursachen zuzuordnen, um entsprechende Kontingenzen zu berechnen
(Hagmayer & Waldmann, 2002; Krynski, 2006).
Interventionen. Neben dem rein passiven Beobachten von Ereignissen und dem
darauf aufbauenden Schließen auf zugrunde liegende Kausalstrukturen ist das
aktive Eingreifen in Kausalsysteme eine weitere wichtige Möglichkeit, Kausalhypothesen
zu testen und kausale Abhängigkeiten zu entdecken (Waldmann &
Hagmayer, 2005). Die Konsequenzen von Interventionen sind dabei insbesondere
von Pearl (2000; siehe auch Woodward, 2003, 2007) im Bayes-Netz-
Framework auf theoretischer Ebene formalisiert worden: Wird in eine Variable
aktiv interveniert, ihr Zustand also extern gesetzt, dann verschwindet der Einfluss
ihrer Ursachen auf die Variable wie auch auf ihre Effekte. Damit lassen sich durch
diese „graph surgery“ genannte Operation 15 sogar Markov-äquivalente Strukturen
unterscheiden (siehe z.B. Steyvers et al., 2003; Lagnado et al., 2007). Letztendlich
sind Interventionen bereits für sich genommen wichtiger Ausdruck des
15 Die Analogie bietet sich an, da formal eine solche Intervention in einem Bayes-Netz resultiert,
dem diejenigen Kausalpfeile fehlen, die auf die Variable zeigen, in die interveniert wurde. Es
scheint also, als ob diese „wegoperiert“ wurden.