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.
75<br />
des Modells ist in struktureller Hinsicht unabhängig von der Wahl der freien Parameter.<br />
Das Modell ist mithin inkompatibel mit allen anderen denkbaren Datensätzen<br />
<strong>und</strong> somit in höchstem Maße falsifizierbar. Die hohe Übereinstimmung<br />
zwischen Modellvorhersage <strong>und</strong> Daten ist also als „überzeugend“ im Sinne von<br />
Roberts <strong>und</strong> Pashler (2000) einzustufen.<br />
4.6 Zusammenfassung <strong>und</strong> Diskussion<br />
Die in Kapitel 3 in den Basisexperimenten aufgezeigte Sensibilität der Versuchspersonen<br />
bezüglich zugr<strong>und</strong>e liegender kausaler Mechanismen wurde im vorliegenden<br />
Kapitel als flexible Fehlerattribution modelliert. Dazu wurde dem das<br />
kausale System repräsentierenden <strong>Bayes</strong>-Netz eine zusätzliche Fehlerquelle hinzugefügt,<br />
<strong>die</strong> gleichermaßen präventiv auf alle Links innerhalb einer Common-<br />
Cause-Struktur wirkt, <strong>und</strong> <strong>die</strong> Zielinferenz<br />
bayesianisch abgeleitet. Unterschiedliche Annahmen über <strong>die</strong> Stärke <strong>die</strong>ser gemeinsamen<br />
Fehlerquelle führen in <strong>die</strong>sem Modell zu unterschiedlich starken<br />
Abhängigkeiten der kausalen Links <strong>und</strong> damit zu unterschiedlich starken <strong>Markov</strong>-<br />
Verletzungen auf der Ebene der beobachteten Variablen. Die Zielinferenz kann<br />
dabei als zweistufiger Prozess gedacht werden. In einem ersten Schritt wird auf<br />
<strong>die</strong> Anwesenheit oder <strong>die</strong> Abwesenheit der gemeinsamen Fehlerursache geschlossen,<br />
je nachdem wie viele beobachtete Effekte der anwesenden Ursache<br />
abwesend sind – je mehr, desto unwahrscheinlicher, dass <strong>die</strong>s rein zufällig durch<br />
<strong>die</strong> unabhängigen Fehlerquellen zustande gekommen ist. In einem zweiten<br />
Schritt wird dann auf der Basis <strong>die</strong>ser Annahmen über <strong>die</strong> Anwesenheit der gemeinsamen<br />
Fehlerquelle auf <strong>die</strong> Wahrscheinlichkeit der Anwesenheit des Zieleffekts<br />
geschlossen.<br />
Die Modellvorhersage bildet dabei <strong>die</strong> Bef<strong>und</strong>e sehr gut ab. Das Modell<br />
sagt für den Fall der Abwesenheit der gemeinsamen Ursache keinen Einfluss des<br />
Status der anderen Effekte <strong>und</strong> insbesondere keinen Einfluss verschiedener Annahmen<br />
über <strong>die</strong> zugr<strong>und</strong>e liegenden Kausalprozesse vorher, wie es sich auch in<br />
den Daten zeigt. Für den Fall der Anwesenheit der gemeinsamen Ursache sinkt<br />
<strong>die</strong> vorhergesagte Wahrscheinlichkeit der Anwesenheit des Zieleffekts mit zunehmender<br />
Anzahl als abwesend beobachteter Effekte <strong>und</strong> zwar umso stärker je<br />
stärker <strong>die</strong> Annahme über <strong>die</strong> Abhängigkeit der kausalen Links ist. Dieser vorher-