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.
66<br />
Das Modell sagt damit bei Anwesenheit von C einen starken Einfluss der<br />
Anzahl der anwesenden weiteren Effekte vorher, wenn <strong>die</strong> Versuchspersonen<br />
von einem kausalen System ausgehen, in dem Fehler aufgr<strong>und</strong> des zugr<strong>und</strong>e liegenden<br />
kausalen Mechanismus eher auf <strong>die</strong> Ursache zu attribuieren sind (also<br />
z.B. Gedankensenden). Liegt jedoch ein System vor, in dem Fehler eher auf <strong>die</strong><br />
Effekte zu attribuieren sind (z.B. Gedankenlesen), dann sagt das Modell nur einen<br />
schwachen Einfluss der Anzahl der weiteren Effekte vorher. Es handelt sich<br />
damit um <strong>die</strong> Vorhersage einer Interaktion zwischen <strong>die</strong>sen beiden Faktoren <strong>und</strong><br />
über <strong>die</strong> Zustände von C hinweg betrachtet, sogar um eine Drei-Wege-<br />
Interaktion (da für <strong>die</strong> Abwesenheit von C keine Interaktion zwischen starker/schwacher<br />
Fehlerursache <strong>und</strong> Anzahl anwesender weiterer Effekte vorhergesagt<br />
wird). Auch <strong>die</strong>se Vorhersagen stehen in Einklang mit den Ergebnissen der in<br />
Kapitel 3 präsentierten Experimente.<br />
4.4 Sensitivitätsanalysen<br />
Im vorherigen Abschnitt wurde gezeigt, dass das Modell <strong>die</strong> Daten sehr gut erklären<br />
kann <strong>und</strong> dass der Parameter w PN <strong>die</strong> Annahmen über <strong>die</strong> Abhängigkeit der<br />
kausalen Links widerspiegelt. Bevor aus dem Modell (bzw. der gr<strong>und</strong>sätzlichen<br />
Idee der Einführung einer korrelierten Fehlerursache) weitere Vorhersagen abgeleitet<br />
<strong>und</strong> getestet werden, soll in <strong>die</strong>sem Abschnitt gezeigt werden, wie stark <strong>die</strong><br />
Modellvorhersage von den weiteren Modellparametern abhängig ist. Da das<br />
Modell insgesamt fünf Parameter 34 hat (w C , w PN , b C , b PN , b E ), könnte es sein, dass<br />
<strong>die</strong> im letzten Abschnitt <strong>und</strong> in Abbildung 16 abgeleitete Modellvorhersage stark<br />
von den Annahmen über <strong>die</strong> weiteren Parameter abhängig ist. Nach Roberts <strong>und</strong><br />
Pashler (2000) hat ein Modell, das so flexibel ist, dass es bei geeigneter Parameterwahl<br />
jede beliebige Reihung der <strong>Bedingung</strong>en vorhersagen kann, keinen Erklärungswert,<br />
da es sich an jeden beliebigen Datensatz anpassen lässt. Im Folgenden<br />
wird daher gezeigt, inwieweit <strong>die</strong> qualitativ-strukturelle Vorhersage des Mo-<br />
34 Die Parameter stellen dabei keine Punktschätzer dar, sondern werden durch Beta-Verteilungen<br />
repräsentiert, <strong>die</strong> ihrerseits wieder jeweils zwei Parameter (Hyperparameter) haben. Da im vorliegenden<br />
Fall kein Lernprozess modelliert wird <strong>und</strong> <strong>die</strong> Vorhersage lediglich vom Erwartungswert<br />
der A-priori-Verteilungen abhängt, ist der Erwartungswert der jeweiligen Verteilung der relevante<br />
freie Parameter. Die Form der Verteilung spielt nur eine Rolle, wenn Lernen stattfindet. Dies<br />
wurde hier jedoch nicht modelliert. Im Folgenden wird daher zwar von Parameter gesprochen;<br />
gemeint jedoch ist der Erwartungswert der zugehörigen A-priori-Verteilung.