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.
72<br />
schiedenen w PN -Manipulationen also steigen. Dies ist in Abbildung 20 auch gut zu<br />
erkennen. Insgesamt ist auch <strong>die</strong> Modellvorhersage aufgr<strong>und</strong> des abschwächenden<br />
Einflusses von PN nach unten hin gestaucht. Die Vorhersage einer Interaktion<br />
zwischen den w PN -Manipulationen <strong>und</strong> der Anzahl der als anwesend beobachteten<br />
Effekte (bei Anwesenheit der gemeinsamen Ursache) bleibt jedoch bestehen.<br />
Die Vorhersage einer Interaktion würde nur im Extremfall der Annahme<br />
einer sicher immer anwesenden gemeinsamen Fehlerquelle verschwinden. Die<br />
Vorhersage entspräche dann der eines <strong>Bayes</strong>-<strong>Netze</strong>s mit unterschiedlichen Kausalstärken<br />
(drei horizontale Linien auf unterschiedlicher Höhe).<br />
Abbildung 20: Modellvorhersage bei Annahme einer sehr hohen Basisrate der<br />
präventiven Ursache PN (im Vergleich zu Abbildung 16) für jeweils unterschiedliche<br />
Stärken (w PN ) der präventiven Ursache PN auf der Basis einer Monte-Carlo-<br />
Simulation mit 100 000 Durchgängen in einem Common-Cause-Modell mit einer<br />
Ursache C <strong>und</strong> drei Effekten. Die Parameter des kausalen Systems wurden hierfür<br />
aus folgenden Verteilungen gezogen: , <strong>und</strong><br />
[statt ]; hat auf <strong>die</strong> Modellvorhersage keinen<br />
Einfluss.<br />
Die Vorhersagen für liegen übereinander; <strong>die</strong> drei Linien wurden daher<br />
mit einem Versatz (+0.1, 0, -0.1) versehen, um sie optisch sichtbar zu machen.