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