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.
70<br />
Modellvorhersage außer in Extremfällen nur unwesentlich: Ist w C z.B. sicher 1,<br />
unabhängige Fehler also sicher ausgeschlossen, so muss bei der Beobachtung<br />
bereits eines abwesenden Effekts <strong>und</strong> anwesender gemeinsamer Ursache <strong>die</strong><br />
gemeinsame Fehlerquelle anwesend sein (als einzige Erklärungsmöglichkeit für<br />
<strong>die</strong> Abwesenheit des Effekts). Das bedeutet, dass sich <strong>die</strong> Vorhersage in <strong>die</strong>sen<br />
Fällen (mindestens ein Effekt abwesend) auf dem Niveau<br />
bewegt <strong>und</strong> dann (alle Effekte anwesend) nach oben abknickt. (Einen<br />
ähnlichen Effekt findet man bei der Annahme einer extrem hohen Basisrate<br />
von PN; siehe hierzu den kommenden Abschnitt <strong>und</strong> Abbildung 20.) Die Interaktion,<br />
z.B. zwischen dem Sending- <strong>und</strong> Reading-Fall, bleibt jedoch selbst in <strong>die</strong>sen<br />
Extremfällen erhalten. Die qualitativ-strukturelle Modellvorhersage ist folglich<br />
unabhängig von der Wahl von w c .<br />
4.4.4 Abhängigkeit von der Basisrate der Fehlerursache (b PN )<br />
Die eigentliche Interaktion entsteht durch das Zusammenspiel der gemeinsamen<br />
Fehlerursache <strong>und</strong> den beobachteten Variablen. Im vorgestellten Modell werden<br />
<strong>die</strong> Annahmen über <strong>die</strong> Korrelation der kausalen Links im Parameter w PN – der<br />
Stärke der gemeinsamen präventiven Ursache – abgebildet. Interessant scheint<br />
daher besonders, wie <strong>die</strong> Modellvorhersage auf eine Änderung der Annahmen<br />
bezüglich der Basisrate <strong>die</strong>ser Fehlerquelle, b PN , reagiert. Für <strong>die</strong> Darstellung der<br />
Modellvorhersage in Abbildung 16 wurde <strong>die</strong>ser Parameter aus einer Beta(1,1)-<br />
Verteilung gezogen, also einer uniformativen A-priori-Verteilung mit einem Erwartungswert<br />
von 0.5.<br />
Angenommen, <strong>die</strong> Anwesenheit der Fehlerquelle sei a priori sehr unwahrscheinlich<br />
(niedrige Basisrate), dann sollte das Modell insbesondere in weniger<br />
eindeutigen Fällen, z.B. ein Effekt anwesend <strong>und</strong> ein Effekt abwesend, seltener<br />
inferieren, dass <strong>die</strong> gemeinsame Fehlerquelle anwesend ist (sie ist ja a priori unwahrscheinlicher).<br />
Der Unterschied zwischen verschiedenen Manipulationen von<br />
w PN sollte also sinken. In eindeutigen Fällen (z.B. beide Effekte abwesend) sollten<br />
<strong>die</strong> A-priori-Annahmen über <strong>die</strong> Anwesenheit von PN jedoch einen weniger starken<br />
Einfluss haben. Genau <strong>die</strong>sen Effekt sieht man deutlich in Abbildung 19.<br />
Zieht man <strong>die</strong> Basisrate aus einer Beta(10,1)-Verteilung mit einem Erwartungswert<br />
von 0.09, dann nimmt <strong>die</strong> Vorhersage eine eher konkave Form an. Die