Kausales Denken, Bayes-Netze und die Markov-Bedingung

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