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.
25<br />
send sein. Die reine (<strong>Markov</strong>-konforme) Kausalinferenz interagiert hier also mit<br />
der Inferenz bezüglich der Kategorie, welche <strong>Markov</strong>-Verletzungen auf der Ebene<br />
der beobachtbaren Variablen erzeugt.<br />
Im Feature-Uncertainty-Modell werden <strong>die</strong> Variablen des kausalen Systems,<br />
also C, E 1 , E 2 <strong>und</strong> E 3 , als nicht direkt beobachtbar gedacht. Beobachtet<br />
werden stattdessen <strong>die</strong> beobachtbaren Instanzen , , <strong>und</strong> , <strong>die</strong> aber mit<br />
einer gewissen Unsicherheit hinsichtlich der wahren Ausprägung der zugr<strong>und</strong>e<br />
liegenden Variablen verb<strong>und</strong>en sind. Beobachtet man hier wieder z.B. bei Anwesenheit<br />
der Ursache-Instanz C‘ <strong>die</strong> Abwesenheit zweier Effekt-Instanzen, so kann<br />
man <strong>die</strong>s darauf zurückführen, dass <strong>die</strong> wahre Ursache C möglicherweise gar<br />
nicht anwesend ist <strong>und</strong> der nicht beobachtete Effekt daher auch nicht anwesend<br />
sein sollte. Die (wieder <strong>Markov</strong>-konforme) Kausalinferenz interagiert in <strong>die</strong>sem<br />
Modell mit der Unsicherheit hinsichtlich der Ausprägung der beobachtbaren Variablen.<br />
Beide Modelle machen für <strong>die</strong> beiden durchgeführten Experimente <strong>die</strong><br />
gleichen Vorhersagen. In weiteren Experimenten testeten Rehder <strong>und</strong> Burnett<br />
(2005) <strong>die</strong> Vorhersagen <strong>die</strong>ser Modelle in neuen Kontexten <strong>und</strong> kamen zu dem<br />
Schluss, dass das Underlying-Mechanism-Modell <strong>die</strong> Bef<strong>und</strong>e am besten erklärt.<br />
2.4 Kausale Prozesse, Fehlerstrukturen <strong>und</strong> <strong>die</strong> <strong>Markov</strong>-<strong>Bedingung</strong><br />
Die Ergebnisse von Rehder <strong>und</strong> Burnett (2005) zeigen deutlich, dass <strong>die</strong> A-priori-<br />
Annahme der Validität der <strong>Markov</strong>-<strong>Bedingung</strong> unangemessen ist. Walsh <strong>und</strong><br />
Sloman (2004) sowie Rehder (2006) konnten des Weiteren zeigen, dass <strong>Markov</strong>-<br />
Verletzungen auch außerhalb des kategorialen Kontextes auftreten (z.B. bei der<br />
Beurteilung der konditionalen Abhängigkeit ökonomischer Variablen), ohne jedoch<br />
eine Erklärung hierfür anzubieten (außer, dass menschliches Kausaldenken<br />
möglicherweise schlicht irrational ist). Das von Rehder <strong>und</strong> Burnett (2005) entwickelte<br />
Modell lässt sich seiner Idee nach aber nur auf kausal verknüpfte Merkmale<br />
von Kategorien anwenden <strong>und</strong> ist damit nicht geeignet, <strong>Markov</strong>-Verletzungen<br />
als allgemeines Phänomen zu beschreiben. Die zugr<strong>und</strong>e liegende Erklärung ist<br />
auch wie oben beschrieben nicht direkt kausaler Natur: Im Underlying-<br />
Mechanism-Modell wie auch im Feature-Uncertainty-Modell interagiert <strong>die</strong> (immer<br />
noch) <strong>Markov</strong>-konforme Kausalinferenz mit anderen Inferenzprozessen, wie