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.
1<br />
1 Einleitung<br />
Die Fähigkeit des Menschen, kausale Beziehungen in der Welt zu entdecken <strong>und</strong><br />
das Wissen um <strong>die</strong>se nutzbar zu machen, um zukünftige Ereignisse vorherzusagen,<br />
vergangene Ereignisse zu erklären <strong>und</strong> Handlungen zur Manipulation solcher<br />
Ereignisse zu planen, ist eine zentrale Kompetenz, um in seiner Umwelt erfolgreich<br />
agieren zu können. Dazu gehört nicht nur das Lernen einfacher Ursache-Effekte-Relationen,<br />
sondern auch komplexeres, vernetztes Kausalwissen, das<br />
mehr als zwei Variablen umfasst.<br />
Die Theorie der kausalen <strong>Bayes</strong>-<strong>Netze</strong>, wie sie in den vergangenen zwanzig<br />
Jahren insbesondere im Bereich der Informatik entwickelt worden war (siehe<br />
Pearl, 1988, 2000; Heckerman, 1999; Spirtes, Glymour & Scheines, 2000), ist seit<br />
einigen Jahren daher in der Psychologie ein populärer Ansatz, um menschliches<br />
Kausaldenken <strong>und</strong> -lernen in solch komplexeren, über den Eine-Ursache-ein-<br />
Effekt-Fall hinausgehenden Situationen zu beschreiben (siehe u.a. Glymour,<br />
2001, 2003; Gopnik, Glymour, Sobel, Schulz, Kushnir & Danks, 2004; Sloman,<br />
2005; Steyvers, Tenenbaum, Wagenmakers & Blum, 2003; Waldmann &<br />
Martignon, 1998). Zentrale Annahme <strong>die</strong>ses Ansatzes ist <strong>die</strong> <strong>Markov</strong>-<strong>Bedingung</strong>,<br />
nach der eine Variable konditionalisiert auf ihre direkten Ursachen unabhängig<br />
von allen anderen Variablen des Systems ist, sofern <strong>die</strong>se nicht (direkte oder indirekte)<br />
Effekte eben jener Variable sind. In einer einfachen Common-Cause-<br />
Struktur mit einer Ursache <strong>und</strong> mehreren Effekten bedeutet <strong>die</strong>s, dass <strong>die</strong> auf <strong>die</strong><br />
Ursache bedingte Wahrscheinlichkeit des Auftretens eines Effekts unabhängig<br />
von der An- oder Abwesenheit der anderen Effekte <strong>die</strong>ser Ursache ist.<br />
Die Annahme der <strong>Markov</strong>-<strong>Bedingung</strong> ermöglicht damit einfache Inferenzen<br />
selbst in komplexesten kausalen Strukturen <strong>und</strong> bildet <strong>die</strong> Gr<strong>und</strong>lage für viele<br />
Algorithmen zum Lernen kausaler <strong>Netze</strong> im Bereich der Informatik (siehe Heckerman,<br />
1999; Spirtes et al., 2000). Ohne <strong>die</strong> <strong>Markov</strong>-<strong>Bedingung</strong> wären für <strong>die</strong><br />
Inferenz hinsichtlich einer Variablen des kausalen Systems der Status aller anderen<br />
Variablen zu berücksichtigen. Daher scheint <strong>die</strong> <strong>Markov</strong>-<strong>Bedingung</strong> nicht nur<br />
aus theoretischer Perspektive sinnvoll <strong>und</strong> notwendig, sondern auf den ersten<br />
Blick im Gr<strong>und</strong>satz auch psychologisch plausibel.