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.
73<br />
Zusammenfassend kann also auch für <strong>die</strong> Basisrate der gemeinsamen Fehlerquelle,<br />
b PN , konstatiert werden, dass sich <strong>die</strong> qualitativ-strukturelle Modellvorhersage<br />
von deren Wahl unbeeindruckt zeigt.<br />
4.5 Fitanalyse<br />
Im vorhergehenden Abschnitt wurde qualitativ gezeigt, dass <strong>die</strong> strukturelle Modellvorhersage<br />
von den Annahmen über <strong>die</strong> Parameter relativ unabhängig ist. In<br />
<strong>die</strong>sem Abschnitt soll daher <strong>die</strong>se qualitative Analyse um eine quantitative ergänzt<br />
werden.<br />
Das Modell hat drei „freie“ Parameter, w C , b PN <strong>und</strong> b E, <strong>die</strong> in der ursprünglichen<br />
Analyse händisch auf plausible Werte gesetzt worden sind. In Anlehnung an<br />
<strong>die</strong> Analysen von Roberts <strong>und</strong> Pashler (2000) ist <strong>die</strong> interessante Frage nun, in<br />
wie viel Prozent der Fälle man <strong>die</strong> mit den Daten konforme strukturelle Vorhersage<br />
des Modells erwarten darf, wenn <strong>die</strong> Parameter nicht an <strong>die</strong> Daten angepasst,<br />
sondern zufällig gezogen werden. Ist der resultierende Anteil groß, dann<br />
handelt es sich um eine robuste Vorhersage. Der Fit des Modells ist dann Ausdruck<br />
seiner guten Übereinstimmung mit dem zu erklärenden Phänomen <strong>und</strong><br />
nicht schierer Ausdruck seiner Flexibilität (jeden beliebigen Datensatz zu fitten).<br />
Betrachten wir für <strong>die</strong> Analyse nun <strong>die</strong> strukturelle Vorhersage an sich. Seien<br />
dafür R <strong>und</strong> S <strong>die</strong> beiden <strong>Bedingung</strong>en, <strong>die</strong> einer w PN -Manipulation entsprechen,<br />
also z.B. „Reading“ vs. „Sending“. bzw. seien des Weiteren <strong>die</strong> Vorhersagen<br />
für <strong>Bedingung</strong> R bzw. S gegeben des Status der Ursache C (0 oder 1)<br />
<strong>und</strong> der Anzahl der weiteren als anwesend beobachteten Effekte i (0, 1 oder 2).<br />
Dann seien im Folgenden <strong>die</strong> strukturellen Vorhersagen:<br />
1) Haupteffekt von C: , d.h. im Durchschnitt sind <strong>die</strong> Vorhersagen<br />
für den Fall der Anwesenheit von Ursache C höher als im Falle von deren<br />
Abwesenheit (gerichteter Haupteffekt).<br />
2) Haupteffekt von i gegeben C=1: mit<br />
, d.h. im Durchschnitt steigt im Falle der Anwesenheit<br />
<strong>die</strong> Vorhersage mit der Anzahl der als anwesend beobachteten Effekte monoton<br />
an (gerichteter Haupteffekt konditionalisiert auf C=1).