Kausales Denken, Bayes-Netze und die Markov-Bedingung

56
4 Modellierung
Wie im letzten Kapitel dargelegt, nutzen Versuchspersonen bei der Beurteilung
der Anwesenheit eines unbeobachteten Effekts in einer Common-Cause-Struktur
gegeben des Status der gemeinsamen Ursache und der weiteren Effekte mehr
Vorwissen, als eine einfache Analyse auf Bayes-Netz-Ebene suggeriert. Die Ratings
im Hinblick auf die Anwesenheit des unbeobachteten Effekts hängen stark
von den weiteren Eigenschaften des instruierten Systems ab, vor allem von den
Annahmen über die zugrunde liegenden Kausalprozesse und die implizierte Fehlerstruktur.
Dies mag auch nicht verwundern. Wie bereits in Kapitel 2 beschrieben, setzen
Bayes-Netze gerade aufgrund der Markov-Bedingung voraus, dass die kausalen
Prozesse, die von einer Ursache ausgehen, völlig unabhängig voneinander
sind. Das heißt, ist die Ursache anwesend, dann bestimmt sich für jeden ihrer
Effekte jeweils unabhängig, ob sie „ursächlich“ für einen Effekt wird. Dass die
Ursache jedoch in Gänze versagen könnte und daher keinen ihrer Effekte hervorbringt,
ist nicht vorgesehen 28 . Auf statistisch-computationaler Ebene stellt
dies zwar kein Problem dar: Die Markov-Bedingung ist eine Bedingung, die hergestellt
werden kann, indem weitere Variablen in das betrachtete System eingeführt
werden, die die konditionalen Abhängigkeiten erklären (siehe dazu Pearl,
2000, oder auch Hausman & Woodward, 1999), auf psychologischer Ebene jedoch
erscheint es unplausibel, als Ausgangspunkt ein kausales System zu definieren,
in dem die Markov-Bedingung gilt (also ein klassisches Bayes-Netz zu postulieren).
Rehder und Burnett (2005) wie auch die in Kapitel 3 präsentierten Studien
zeigen, dass die Markov-Bedingung gerade keine Default-Annahme im
menschlichen Kausaldenken darzustellen scheint. Es liegt daher nahe, eine Beschreibungsform
zu wählen, die dies explizit berücksichtigt.
Im vorliegenden Abschnitt soll daher ein bayesianisches Modell entwickelt
werden, das zum einen – aufbauend auf der in Abschnitt 2.4 entwickelten Idee –
klassische Bayes-Netze um eine weitere, gemeinsame Fehlerkomponente erweitert,
die gleichermaßen auf alle Effekte einer Ursache wirkt, und zum anderen
28 Wenn man von dem Fall absieht, dass zufällig alle Ursache-Effekt-Relationen unabhängig voneinander
versagen.