Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
57<br />
den stattfindenden Schlussprozess als <strong>Bayes</strong>-Inferenz modelliert. Aus dem Modell<br />
werden sodann konkrete Vorhersagen abgeleitet, <strong>die</strong> mit den Bef<strong>und</strong>en aus<br />
Kapitel 3 verglichen werden können. Des Weiteren werden <strong>die</strong> qualitativstrukturellen<br />
Modellvorhersagen in einer Analyse in Anlehnung an <strong>die</strong> Überlegungen<br />
von Roberts <strong>und</strong> Pashler (2000) auf ihre Stabilität hin überprüft, insbesondere<br />
inwieweit <strong>die</strong>se von den freien Parametern abhängig sind.<br />
4.1 Modellierungsidee<br />
Betrachten wir als Ausgangspunkt <strong>die</strong> Problemstellung, wie sie in Kapitel 3 empirisch<br />
untersucht wurde, <strong>und</strong> das dort zugr<strong>und</strong>e gelegte, einfache Common-<br />
Cause-Modell mit einer Ursache C <strong>und</strong> mit drei Effekten E 1 , E 2 <strong>und</strong> E 3 . In den<br />
verwendeten verbal instruierten Szenarien stehen in der Regel Informationen zur<br />
Verfügung, aus denen Annahmen über <strong>die</strong> Basisraten der involvierten Variablen<br />
(Basisrate der Ursache, b C , <strong>und</strong> Basisrate der Effekte, b E ) sowie über deren Relationen<br />
(C E 1 , C E 2 , C E 3 ) <strong>und</strong> deren Kausalstärke (w C ) in mehr oder weniger<br />
präziser Form 29 abgeleitet werden können. Unter der <strong>Markov</strong>-<strong>Bedingung</strong><br />
beschreibt das Komplement der Kausalstärke w C <strong>die</strong> Misserfolgswahrscheinlichkeit<br />
für jeden Link unter der Annahme von deren Unabhängigkeit.<br />
Sie erlaubt damit, <strong>die</strong> drei Relationen zu einem <strong>Bayes</strong>-Netz zusammenzufügen.<br />
Der Kausalstärkeparameter w C beschreibt also <strong>die</strong> Stärke, mit der eine Ursache<br />
einen ihrer Effekte unabhängig von den anderen hervorbringt, für <strong>die</strong> es jeweils<br />
einen analogen Parameter gibt. Es fehlt demnach ein Parameter, mit dem das<br />
kognitive System seine Annahmen über <strong>die</strong> Stärke der Abhängigkeiten <strong>die</strong>ser<br />
Relationen repräsentieren könnte.<br />
Auf computationaler Ebene kann <strong>die</strong> <strong>Markov</strong>-<strong>Bedingung</strong> – wie oben erläutert<br />
(siehe auch Abschnitt 2.2) – durch Hinzufügen weiterer, unbeobachteter<br />
Variablen hergestellt werden, <strong>die</strong> <strong>die</strong> konditionalen Abhängigkeiten erklären.<br />
Eine Hauptursache für konditionale Abhängigkeiten können dabei – wie bereits<br />
in Abschnitt 2.4 ausgeführt – unterschiedliche Fehlerquellen im Hinblick auf <strong>die</strong><br />
kausalen Links darstellen, <strong>die</strong> wiederum Annahmen über das Zusammenwirken<br />
29 Das <strong>die</strong>sbezüglich verwendeten Begriffen wie „häufig“ oder „selten“ eine immanente Unsicherheit<br />
im Hinblick auf den durch sie beschrieben Parameter anhaftet, wird weiter unten dadurch<br />
Rechnung getragen, dass über <strong>die</strong>sen Parameter Wahrscheinlichkeitsverteilungen definiert<br />
werden, <strong>die</strong> <strong>die</strong>se Unsicherheit abbilden.