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.
76<br />
gesagte bedingte Haupteffekt <strong>und</strong> <strong>die</strong> bedingte Interaktion finden sich ebenfalls<br />
sehr deutlich in allen drei Experimenten.<br />
Die Ableitung des Modells wurde ergänzt durch eine Analyse der Modellflexibilität,<br />
also der Frage, inwieweit <strong>die</strong> gute Übereinstimmung der Modellvorhersage<br />
mit den Daten gegebenenfalls nur den freien Parametern <strong>und</strong> deren<br />
(wenn auch lediglich händischen) Anpassung an <strong>die</strong> Daten geschuldet ist. Dabei<br />
stellte sich heraus, dass <strong>die</strong> strukturelle Modellvorhersage (<strong>die</strong> relevanten Haupt<strong>und</strong><br />
Interaktionseffekte) sehr robust <strong>und</strong> de facto nicht von den freien Parametern<br />
abhängig ist. In einer Simulationsstu<strong>die</strong> mit 10 000 Durchgängen <strong>und</strong> zufälliger<br />
Ziehung der freien Parameter blieb <strong>die</strong>se in 99.2 % der Fälle stabil. Die gute<br />
Übereinstimmung des Modells mit den Daten ist damit im Sinne der Überlegungen<br />
von Roberts <strong>und</strong> Pashler (2000) trotz seiner freien Parameter überzeugend.<br />
Die Einführung einer weiteren, mithin korrelierten Fehlerquelle in das kausale<br />
System scheint damit ein gutes Erklärungsmodell auf computationaler Ebene<br />
zu sein. Die Annahme, dass <strong>die</strong> Versuchspersonen kausale Systeme als <strong>Markov</strong>konforme<br />
<strong>Bayes</strong>-Netzte repräsentieren, kann damit ggf. aufgegeben werden,<br />
ohne <strong>Bayes</strong>-<strong>Netze</strong> <strong>und</strong> ihre positiven computationalen Eigenschaften als Teil der<br />
theoretischen Beschreibungssprache zu verlieren.<br />
Nichtsdestotrotz steht ein expliziter Modelltest noch aus. Zwar wurde im<br />
vorliegenden Kapitel gezeigt, dass es eine gute Übereinstimmung zwischen Modell<br />
<strong>und</strong> Daten gibt <strong>und</strong> dass <strong>die</strong> gute Übereinstimmung nicht Ausdruck übermäßiger<br />
Modellflexibilität sein kann. Dies heißt aber nicht, dass der gute Fit nicht<br />
just Ausdruck einer hohen Modellierungsflexibilität im bayesianischen Framework<br />
ist (siehe dazu u.a. Waldmann et al., 2008). Es könnte schließlich sein, dass<br />
jedwedes empirische Ergebnis oder zumindest einige mögliche empirische Ergebnisse<br />
post hoc im Rahmen des bayesianischen Frameworks modelliert hätten<br />
werden können. In <strong>die</strong>sem Fall wäre eine gute Übereinstimmung zwischen Daten<br />
<strong>und</strong> Modell nicht sonderlich überraschend <strong>und</strong> damit auch nicht sonderlich überzeugend.<br />
In <strong>die</strong>sem Sinne sollen daher im folgenden Kapital aus der gr<strong>und</strong>sätzlichen<br />
Modellierungsidee der Einführung einer gemeinsamen Fehlerursache weitere<br />
Vorhersagen abgeleitet <strong>und</strong> getestet werden, um <strong>die</strong>sem Argument zu begegnen.