文档介绍：A Causal-Model Theory of Conceptual Representation and Categorization
Bob Rehder
New York University
&
概念表征与分类的因果关系etwork）进行比较：
2、贝叶斯网络是一系列变量的联合概率分布的图形表示。
3、比较：
贝叶斯网络：不能表征网络中直接连接的变量间的因果关系的更多细节内容。
因果关系模型理论：假设人们认为特征间是由可能性的因果关系机制相连的。
编辑课件
理论介绍
A
人们评估一种样例由类别的因果关系模型生成的可能性，以此来做出分类的抉择。
C
E
C
b
m
c: 特征C出现的可能性
m:当C出现时，连接C和E的概率机制成功运行 （即C导致E的出现）的可能性
b:当C不出现时，E出现的可能性
The second major claim:
编辑课件
理论介绍
A
Exemplar(E)
L(E;c,m,b)
L(E;.50,.80,.20)
00
(1-c)(1-b)
.40
01
(1-c)(b)
.10
10
(c)[(1-m)(1-b)]
.08
11
(c)(m+b-mb)
.42
Likelihood Equations for a causal model with two binary features and one causal relationship
C
E
C
b
m
注意：对任意取值范围为0~1的c, m, b，P(00)+P(01)+P(10)+P(11)=1
编辑课件
理论介绍
A
与因果关系的必要性（Causal necessity）和充分性(Causal sufficiency)进行比较：
必要性: b=，则一定是C引起的， 若E不出现，则C不出现。
充分性: m=，则E一定出现， 若C不出现，则E不一定出现。
所以说，在因果关系模型中，确定性的因果关系是一种限制性的案例。
在 因果关系模型理论中，尽管取值接近充分性和必要性，但是违背因果关系的样例其产生的可能性很低。
编辑课件
理论介绍
A
链状因果关系模型：
m
m
m
C
b
b
b
两个假设
1、特征间的三个因果关系是相互独立的，且可能性均为m 。
编辑课件
理论介绍
A
16 possible combinations
编辑课件
理论介绍
A
P(0110)=(1-c)(b)(m+b-mb)[(1-m)(1-b)]
m
m
m
C
b
b
b
计算出各种情况下因果关系模型所产生的可能性，那么如何应用到分类判断呢？ 
这取决于被试所面临的选择任务的性质。
编辑课件
理论介绍
A
1、Two candidate categories:
卢斯的选择公理（Luce’s choice axiom ）
P(A|E)=LA(E)/[LA(E)+LB(E)]
2、A single novel category (in this study):
Rating(E)=KLchain(E;c,m,b)
A
B
E
编辑课件
Causal Models and Derived Empirical Statistics
The central question: 在分类决定任务中，因果关系知识对于特征及特征间联系的重要性所产生的影响。
下面将论证如何导出特征的可能性以及因果关系模型所产生的特征间的相互关系，以此来预测类别成员。
分为两部分：
1、Feature Probabilities
2、Interfeature Correlations
实证统计
B
编辑课件
实证统计
B
Feature Probabilities
Probability
of
Cause features: P(C)/P(F1)
参数C
Effect features:
Pi=Pi-1m+b-Pi-1mb
也即Pi=Pi-1m(1-b)+b
可以看出，有3种因素影响Pi
函数
编辑课件
实证统计
B
c,m取值不同时，链状模型的特征权重及特征间关系如图所示
编辑课件
实证统计
B
上图证明了因果关系机制在特征可能性上的两方面的影响：
1、因果关系机制的出现总能增强效应的可能性。
2、随着原因（cause