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.
62<br />
Denn <strong>die</strong> Inferenz über den Zieleffekt E n hängt nicht vom Status der anderen<br />
beobachteten Effekte ab, sondern nur vom Status der gemeinsamen Ursache<br />
(<strong>Markov</strong>-<strong>Bedingung</strong>) <strong>und</strong> natürlich den Parametern des kausalen Systems, hier<br />
mithin von der Basisrate des (Ziel-)Effekts <strong>und</strong> der Kausalstärke der Ursache.<br />
Der zugehörige Ausdruck für das erweiterte Modell, in dem durch den PN-<br />
Knoten eine gemeinsame Fehlerursache aufgenommen wurde, kann abgeleitet<br />
werden durch Aufnahme von PN als binäre Variable. Da sie unbeobachtet ist,<br />
integrieren wir sie durch Summation über <strong>die</strong> beiden Zustände<br />
aus:<br />
<strong>und</strong><br />
(10)<br />
Da E n gegeben C <strong>und</strong> PN unabhängig von den anderen Effekten ist, <strong>die</strong><br />
<strong>Markov</strong>-<strong>Bedingung</strong> in dem erweiterten Modell also gilt 32 , vereinfacht sich der<br />
Ausdruck entsprechend:<br />
(11)<br />
Das Modell lässt sich abstrakt also als Prozess mit zwei Stufen beschreiben:<br />
Der erste Schritt beinhaltet <strong>die</strong> Schätzung, wie wahrscheinlich es ist, dass PN anwesend<br />
bzw. abwesend ist, gegeben der beobachteten Zustände der gemeinsamen<br />
Ursache <strong>und</strong> der Effekte. Ist <strong>die</strong> Ursache z.B. anwesend, alle ihre Effekte<br />
jedoch abwesend, so ist es sehr wahrscheinlich, dass PN anwesend ist <strong>und</strong> damit<br />
<strong>die</strong> Wirkung von C auf ihre Effekte stark vermindert hat. Ist <strong>die</strong> Ursache jedoch<br />
anwesend <strong>und</strong> so auch ihre Effekte, ist es sehr unwahrscheinlich, dass PN anwesend<br />
ist.<br />
Unter der fiktiven Annahme der Anwesenheit bzw. Abwesenheit der präventiven<br />
Ursache PN lässt sich <strong>die</strong> Wahrscheinlichkeit der Anwesenheit des Target-Effekts<br />
in einem zweiten Schritt leicht bestimmen. Es handelt sich um <strong>die</strong><br />
bekannte Wahrscheinlichkeitstabelle, <strong>die</strong> sich aus der <strong>Bayes</strong>-Netz-Repräsentation<br />
32 Die <strong>Markov</strong>-<strong>Bedingung</strong> ist hier also nicht mehr Teil des psychologischen Modells, sondern nur<br />
noch auf der computationalen Ebene relevant. Sie <strong>die</strong>nt hier der Vereinfachung der Rechnungen.