31.10.2013 Aufrufe

Kausales Denken, Bayes-Netze und die Markov-Bedingung

Kausales Denken, Bayes-Netze und die Markov-Bedingung

Kausales Denken, Bayes-Netze und die Markov-Bedingung

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

51<br />

Daten- <strong>und</strong> eine Randomisierungstabelle enthielt. Die Durchführung erfolgte auf<br />

dem Campus der Universität Göttingen <strong>und</strong> in umliegenden Gebäuden. Sie dauerte<br />

ca. 10–15 Minuten pro Versuchsperson.<br />

Design. Es handelt sich wieder um ein 2x2x3-Design mit einem experimentellen<br />

Faktor („Reading“ vs. „Sending“, Faktor RS) <strong>und</strong> zwei Messwiederholungsfaktoren<br />

(Status der Ursache, Faktor C, sowie Anzahl der als anwesend beobachteten<br />

weiteren Effekte, Faktor N E+ ). Da <strong>die</strong> Zusatzfrage nur eine Konfiguration enthielt,<br />

wird sie über den experimentellen Faktor als gerichteter Vergleich ausgewertet.<br />

Vorhersage. Sofern <strong>die</strong> Hypothese, dass <strong>die</strong> Bef<strong>und</strong>e in den beiden vorhergehenden<br />

Experimenten wirklich auf eine Manipulation der Annahmen über zugr<strong>und</strong>e<br />

liegende Kausalprozesse zurückzuführen ist <strong>und</strong> nicht auf eine mehr oder weniger<br />

explizit instruierte Fehlerstruktur, sollten sich <strong>die</strong>selben Muster zeigen wie in<br />

Experiment 1 <strong>und</strong> Experiment 2. Das heißt, insbesondere im Falle der Anwesenheit<br />

der Ursache sollte sich ein deutlicher Einfluss der Anzahl als anwesend beobachteter<br />

Effekte in der „Sending“-<strong>Bedingung</strong> <strong>und</strong> ein weniger starker Einfluss in<br />

der „Reading“-<strong>Bedingung</strong> zeigen. Über<strong>die</strong>s sollte es im Falle der Abwesenheit der<br />

Ursache keine Interaktion zwischen dem „Reading“-vs.-„Sending“-Faktor <strong>und</strong> der<br />

Anzahl als anwesend beobachteter Effekte geben.<br />

Für <strong>die</strong> Zusatzfrage, <strong>die</strong> <strong>die</strong> Fehlerattribution im Falle des Versagens der<br />

Ursache abbildet, sollte sich in der „Sending“-<strong>Bedingung</strong> eine Attribution eher<br />

auf Gonz, d.h. niedrigere Werte auf der Skala von -2 bis +2, <strong>und</strong> in der „Reading“-<br />

<strong>Bedingung</strong> eher auf Brxxx/Zoohng, d.h. höhere Werte, ergeben. Die Differenz<br />

zwischen der „Reading“- <strong>und</strong> der „Sending“-<strong>Bedingung</strong> sollte mithin positiv sein.<br />

3.3.2 Ergebnisse<br />

Die Ergebnisse für den ersten Teil von Experiment 3 finden sich in Tabelle 3 <strong>und</strong><br />

Abbildung 14; <strong>die</strong> detaillierte varianzanalytische Auswertung über<strong>die</strong>s in Tabelle<br />

C-1, Tabelle C-2 <strong>und</strong> Tabelle C-3 in Anhang C. Insgesamt konnte der Bef<strong>und</strong> aus<br />

den ersten beiden Experimenten nochmals gut repliziert werden.<br />

Die Einschätzungen hinsichtlich der Anwesenheit des Zieleffekts sind im<br />

Durchschnitt viel höher, wenn <strong>die</strong> gemeinsame Ursache anwesend, als wenn sie<br />

abwesend ist (Haupteffekt C: F 1,58 =208.92, p

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!