Statistische und probabilistische Erklärung

Die statistische und probabilistische Erklärung untersucht, wie die Wissenschaft Ereignisse erklären kann, die eher probabilistischen als deterministischen Gesetzen folgen.

Definition

Eine statistische Erklärung berücksichtigt ein Ereignis, indem sie statistische Gesetze und Bedingungen anführt, die ihm eine Wahrscheinlichkeit verleihen; bei der induktiv-statistischen Lesart macht die Erklärung das Ereignis hochgradig erwartbar, während bei der statistisch-relevanten Lesart Faktoren angeführt werden, die die Wahrscheinlichkeit des Ereignisses verändern.

Scope

Dieses Thema behandelt Hempels induktiv-statistisches (IS) Modell, das Problem der Erklärung von Ergebnissen geringer Wahrscheinlichkeit, die Ambiguität statistischer Erklärungen und die Anforderung maximaler Spezifität sowie Salmons statistisch-relevantes (SR) Modell, das die Erklärung im Sinne probabilistischer Relevanz statt hoher Wahrscheinlichkeit neu definiert.

Core questions

• Kann ein Ereignis erklärt werden, wenn das relevante statistische Gesetz ihm nur eine geringe Wahrscheinlichkeit zuweist?
• Was ist das Problem der Ambiguität der induktiv-statistischen Erklärung?
• Warum ersetzt Salmon hohe Wahrscheinlichkeit durch statistische Relevanz?
• Wie verhalten sich statistische Erklärungen zu zugrunde liegenden kausalen Prozessen?

Key concepts

• statistisches Gesetz
• Referenzklasse
• Anforderung maximaler Spezifität
• statistische Relevanz
• Anforderung hoher Wahrscheinlichkeit
• Ambiguität der IS-Erklärung

Key theories

Induktiv-statistisches (IS) Modell

Hempel modelliert die statistische Erklärung als ein induktives Argument, das dem Explanandum eine hohe Wahrscheinlichkeit verleiht, unter der Bedingung maximaler Spezifität, um Ambiguität zu vermeiden.

Statistisch-relevantes (SR) Modell

Salmon argumentiert, dass das, was erklärt, das Anführen von Faktoren ist, die für das Ergebnis statistisch relevant sind, wobei eine Referenzklasse nach Relevanz partitioniert wird, anstatt eine hohe Wahrscheinlichkeit anzustreben.

History

Hempel führte das induktiv-statistische Modell 1965 zusammen mit dem deduktiv-nomologischen Modell ein. Salmon und Mitarbeiter erkannten, dass eine hohe Wahrscheinlichkeit weder notwendig noch hinreichend für eine Erklärung ist, und entwickelten 1971 das statistisch-relevante Modell, das er später 1984 in seine kausal-mechanische Theorie einbettete.

Debates

Hohe Wahrscheinlichkeit versus Relevanz

Hempel verbindet die statistische Erklärung mit der Erwartbarkeit des Ereignisses, während Salmon einwendet, dass unwahrscheinliche Ereignisse (wie seltene Genesungen) erklärt werden können, wenn die richtigen Relevanzbeziehungen angeführt werden.

Key figures

• Carl Hempel
• Wesley Salmon
• Richard Jeffrey

Seminal works

• hempel1965
• salmon1971
• salmon1984

Frequently asked questions

Warum ist die Erklärung von Ereignissen geringer Wahrscheinlichkeit ein Problem?

Wenn eine Erklärung erfordern würde, ein Ereignis hochwahrscheinlich zu machen, könnten seltene, aber echte Ergebnisse (wie ein bestimmter radioaktiver Zerfall) niemals erklärt werden. Das statistisch-relevante Modell begegnet diesem Problem, indem es eine Erklärung als gut ansieht, wenn sie Faktoren anführt, die die Wahrscheinlichkeit des Ereignisses erhöhen oder senken, unabhängig vom absoluten Wert.