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.
18<br />
Wahrscheinlichkeit verbindet (z.B. einfache Strukturen haben eine höhere Wahrscheinlichkeit).<br />
Damit wird der Raum der möglichen Hypothesen stark eingeschränkt<br />
<strong>und</strong> eine Inferenz auf der Basis weniger Beobachtungsdaten ermöglicht.<br />
Eine solche Grammatik kann z.B. verschiedene abstrakte Klassen von Variablen<br />
beschreiben (z.B. Risikofaktoren, Krankheiten, Symptome) <strong>und</strong> dann <strong>die</strong> möglichen<br />
<strong>und</strong> Relationen zwischen Variablen <strong>die</strong>ser Klassen (z.B. ein Risikofaktor<br />
kann eine Krankheit verursachen; ein Symptom kann nie eine Krankheit verursachen<br />
etc.) sowie mögliche Interaktionen (siehe Griffiths & Tenenbaum, 2007b).<br />
2.2.3 Das Causal-Support-Modell (Griffiths & Tenenbaum, 2005)<br />
Einen Brückenschluss zwischen den neueren <strong>Bayes</strong>-Netz-Modellen zurück zu den<br />
ursprünglich in der Psychologie entwickelten Ansätzen ist Griffiths <strong>und</strong><br />
Tenenbaum (2005) mit ihrem Causal-Support-Modell gelungen, indem sie zeigen<br />
konnten, dass <strong>die</strong> psychologischen Maße <strong>und</strong> Causal Power Entsprechungen<br />
als <strong>Bayes</strong>-Netz-Parameter haben. Das Causal-Support-Modell formalisiert dabei<br />
im <strong>Bayes</strong>-Netz-Framework Inferenzen bezüglich einer Ursache-Effekt-Relation,<br />
wie sie auch Gr<strong>und</strong>lage für <strong>die</strong> einfachen psychologischen Modelle sind (siehe<br />
Abschnitt 2.1), <strong>und</strong> hebt dabei den Unterschied zwischen Struktur – existiert eine<br />
Kausalrelation – <strong>und</strong> Kausalstärke – wie stark ist <strong>die</strong> Relation – hervor. Betrachtet<br />
man nun eine (potentielle) Ursache C <strong>und</strong> einen (potentiellen) Effekt E <strong>die</strong>ser<br />
Ursache, dann gibt es auf struktureller Ebene zwei Möglichkeiten: Es besteht<br />
keine Kausalrelation zwischen C <strong>und</strong> E (siehe Abbildung 3a), also , oder es<br />
besteht eine Kausalrelation (siehe Abbildung 3b), also . Griffiths <strong>und</strong><br />
Tenenbaum (2005) zeigen, dass menschliche Kausalurteile stärker mit der Strukturfrage,<br />
also ob eine Kausalrelation besteht, korrespon<strong>die</strong>ren als mit der Frage<br />
nach der Stärke einer kausalen Verbindung. Die Strukturfrage formalisieren sie<br />
dabei über das Log-Likelihood-Verhältnis der Beobachtungsdaten D gegeben einer<br />
Kausalrelation <strong>und</strong> gegeben keiner Relation:<br />
(3)<br />
Dieses Causal Support genannte Maß ist umso größer, je wahrscheinlicher<br />
eine Kausalrelation zwischen C <strong>und</strong> E gegeben der beobachteten Daten ist.