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.
74<br />
3) Keine Effekte gegeben C=0: sowie<br />
, d.h. identische Vorhersagen für den Fall der Abwesenheit von C (keine<br />
Haupt- oder Interaktionseffekte konditionalisiert auf C=0) 35 .<br />
4) Interaktion von R/S <strong>und</strong> i gegeben C=1:<br />
mit<br />
, d.h. gegeben der<br />
Anwesenheit von C nimmt der Unterschied zwischen den <strong>Bedingung</strong>en R/S mit<br />
zunehmender Anzahl der als anwesend beobachteten Effekte monoton ab (gerichteter<br />
Interaktionseffekt konditionalisiert auf C=1). Zusammen mit Punkt 3<br />
folgt aufgr<strong>und</strong> der Strenge dessen Formulierung auch <strong>die</strong> Vorhersage einer Drei-<br />
Wege-Interaktion.<br />
Um nun zu prüfen, in wie vielen Fällen <strong>die</strong> Vorhersage des Modells bei zufälliger<br />
Ziehung der Parameter obigen Kriterien entspricht, wurde eine Simulation<br />
mit 10 000 Wiederholungen durchgeführt. Die drei Parameter w C , b PN <strong>und</strong> b E<br />
wurden dabei uniform aus ihrem Definitionsbereich (dem Intervall zwischen 0<br />
<strong>und</strong> 1) gezogen <strong>und</strong> hierfür <strong>die</strong> Modellvorhersage bestimmt. Der Paramater w PN<br />
wurde dabei auf 0.5 (<strong>Bedingung</strong> R: „Reading“) <strong>und</strong> 0.91 (<strong>Bedingung</strong> S: „Sending“)<br />
festgesetzt; <strong>die</strong>s entspricht dem Erwartungswert der beiden äußeren w PN -<br />
Verteilungen, <strong>die</strong> in <strong>die</strong> Modellvorhersage in Abschnitt 4.3 eingegangen sind 36<br />
<strong>und</strong> <strong>die</strong> <strong>die</strong> beiden experimentellen <strong>Bedingung</strong>en („Reading“ vs. „Sending“) am<br />
Besten repräsentieren.<br />
In 99.2 % der Durchläufe entsprach <strong>die</strong> Modellvorhersage allen vier oben<br />
formulierten <strong>Bedingung</strong>en. 100 % der Fälle entsprachen <strong>Bedingung</strong> 1 (Haupteffekt<br />
von C), 99.9 % der Fälle erfüllten <strong>Bedingung</strong> 2 (Haupteffekt von i gegeben<br />
C=1), 100 % der Fälle entsprachen <strong>Bedingung</strong> 3 (keine Effekte für C=0) <strong>und</strong><br />
99.2 % der Fälle erfüllten <strong>Bedingung</strong> 4 (Interaktionseffekt für C=1).<br />
Damit bestätigt <strong>die</strong> Simulationsstu<strong>die</strong>, dass <strong>die</strong> hohe qualitativ-strukturelle<br />
Übereinstimmung der Modellvorhersage mit den in Kapitel 3 präsentierten Daten<br />
nicht nur Ausdruck einer hohen Flexibilität des Modells ist. Die Vorhersage<br />
35 Diese Vorhersage könnte man auch weit weniger streng formulieren. Da das Modell aber mathematisch<br />
<strong>die</strong> strenge Version erfüllt <strong>und</strong> <strong>die</strong> gewählte Variante alle schwächeren Formulierungen<br />
umfasst, ist <strong>die</strong>s eine annehmbare Vereinfachung.<br />
36 Da <strong>die</strong> Modellvorhersage im vorliegenden Fall wie bereits dargelegt nur vom Erwartungswert<br />
abhängig ist, wurde in <strong>die</strong>ser Simulation auch nur mit <strong>die</strong>sem statt mit Verteilungen gearbeitet.<br />
Ansonsten wäre <strong>die</strong> Simulation nicht in zumutbarer Zeit durchzuführen gewesen. An den Ergebnissen<br />
ändert sich dadurch nichts.