Kausales Denken, Bayes-Netze und die Markov-Bedingung

23
dass die Ursache anwesend ist, sollten die Beurteilungen konstant hoch ausfallen;
im Fall, dass diese abwesend ist, entsprechend konstant niedrig (auf dem
Niveau der Basisrate des Zieleffekts). Empirisch jedoch zeigen sich sehr deutliche
Abhängigkeiten: Ausgehend von null als anwesend beobachteten weiteren Effekten
steigen die Einschätzungen bezüglich der Anwesenheit des Zieleffekts mit
deren steigender Anzahl für beide Zustände der Ursache stark an.
Abbildung 5. Die Ergebnisse der Common-Cause-Bedingung von Experiment 1 aus
Rehder und Burnett (2005) für natürliche Kategorien. Den Daten (durchgezogene
Linien) gegenübergestellt ist die Vorhersage eines Bayes-Netzes, also auf der
Basis der Markov-Bedingung (gestrichelte Linie), wie sie einfach aus der Mittelung
der Datenpunkte je Zustand der Ursache gewonnen wurden. Eingeschätzt
werden sollte die Wahrscheinlichkeit der Anwesenheit eines unbeobachteten
Zieleffekts (Skala von 0 bis 100) gegeben der Anwesenheit oder Abwesenheit der
Ursache C (die beiden oberen vs. die beiden unteren Linien) sowie der Anzahl der
weiteren als anwesend beobachteten Effekte (X-Achse: 0, 1 oder 2).
Die Fehlerbalken sind Standardfehler des Mittelwerts; die Daten sind Rehder und
Burnett (2005) entnommen.
Auch in einem weiteren Experiment, in dem Rehder und Burnett (2005) arbiträre
Kategorien mit abstrakten Merkmalen (A, B, C und D) benutzen und auch
die kausalen Verbindungen abstrakt beschrieben wurden (A verursacht B, C und
D), fanden sich die gleichen Abhängigkeiten in ähnlichem Ausmaß. Damit konnte