Kausales Denken, Bayes-Netze und die Markov-Bedingung

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