结构因果模型 SCM：因果图构建方法

可视化演示

三步展示因果图构建：专家构建法、PC算法约束发现、评分搜索与函数因果模型方向识别。

因果图基本概念

画家族谱时，我们用圆圈代表人，用箭头代表“直接影响”：爷爷的箭头指向爸爸，爸爸的箭头指向你。这张谱里的箭头永远不会倒流——你不会反过来成为爸爸的祖先。SCM 中的因果图（causal graph）就是这张“家族关系网”的数学版本，只不过圆圈里站的是变量，箭头表示的是变量之间的直接因果作用。

在 SCM 中，每个节点是一个变量（如“是否服药”“是否痊愈”），每条有向边表示“直接原因”。因果图用有向无环图（DAG）表示，所谓“无环”就是不允许出现 A 影响 B、B 又影响 A 的循环——就像血缘只能从长辈流向晚辈，不可能倒灌回上一代。沿着箭头方向或逆着箭头方向能走通的链路叫做路径，它是判断两个变量之间是否存在关联通道的基础。

需要特别强调的是，图中画的是“因果结构”而不是“相关热力图”。爷爷爱打牌和你爱打牌高度相关，可能因为爸爸这个中间人传递，也可能因为全家人同住一个屋檐下（共同环境）。统计相关捕捉的是同步波动，因果图要回答的却是：箭头到底该从谁指向谁。

看懂这张族谱，你就能顺着箭头找到真正的“遗传源头”；而分清“共同居住的巧合”与“血脉相传的箭头”，正是因果图区别于相关分析的第一步。

SCM 三大组件

光有一张族谱还不够，家族史研究员还会给每位成员建一份“个人档案”：他从谁那里继承了特征？他自带的天赋和运气是什么？这份档案在 SCM 中就是结构方程。一个完整的结构因果模型由三元组 M = (U, V, F) 构成。

U 是外生变量，代表家族之外的背景环境与随机运气——它们没有入边，不需要解释由谁产生，就像“天生的天赋”说不清来源。V 是内生变量，代表成员们可观测的特征和行为——它们至少有一条入边，由其他变量决定。F 是一组结构方程，规定了每个内生变量如何由它的父节点和外生变量生成，相当于“这个人的性格是怎么被爸妈和环境塑造出来的”。

一个关键认识是：箭头方向不是数据自动给出的，而是因果假设。画谱时你靠长辈口述亲缘关系，建模时你靠专家领域知识、时间顺序和干预实验来定方向。结构方程写出来是：

有了这些“个人档案”，族谱上的每一条箭头都对应到一条“家族传承公式”，因果图也就从一幅画变成了一台可以计算的机器。

因果图构建流程

资深家族史专家不会凭直觉乱画谱，而是按四步采访：先确认要研究什么问题，再列出所有相关成员，接着听长辈口述关系，最后按出生先后确定箭头方向。因果图构建也遵循同样的四步法。

第一步问题定义：明确结果变量 Y（你想解释什么）和处理变量 X（你想评估什么）。第二步变量识别：用“不重不漏”的原则列全所有相关变量，包括环境、行为、结果。第三步专家知识：把领域经验转化为候选箭头，比如病理学告诉我们“病毒感染先于肺炎发生”。第四步边方向判定：利用时间先后（先发生的指向后发生的）、干预能力（能被手动改变的更可能是因）以及已有理论来敲定方向。

画完初稿后必须做验证：因果图暗示某些条件独立关系，比如“在给定 Z 时，X 与 Y 互不影响”。如果你的数据强烈反对这种独立性，说明图里有错，要回头修改。d-分离（d-separation）就是用来判断“图上是否隔开”的规则，它的统计表达是条件独立：

画因果图就像修族谱——先采访长辈，再画出初稿，最后还要拿出生记录核对。数据检验就是那本“户籍登记册”，能帮你发现画错的箭头。

混杂与对撞因子

爷爷同时影响了爸爸和叔叔：爸爸爱熬夜（X），叔叔爱吃辣（Y）。叔叔爱吃辣这个现象，会让不知情的人猜测爸爸也爱熬夜——但其实这两人只是共享了爷爷的“生活习惯”这个共同原因。这个共同祖先，就是混杂因子（confounder），它让 X 与 Y 之间出现了一条虚假关联的后门路径。

与混杂相反，还有一类危险的节点叫对撞因子（collider）：它是两条箭头共同指向的节点。比如“考上重点大学”同时受“天赋”和“补习”影响。如果只看考上大学的人，会发现天赋和补习呈现虚假的负相关——补习多的人天赋看起来低。这就是控制对撞因子带来的选择偏差：你用“已录取”筛选了样本，反而打开了一条原本不存在的通道。

在因果图中，X 到 Y 的路径分两类：因果路径的箭头顺着 X 流向 Y；后门路径则有一条箭头“进入”X，再通向 Y，是虚假相关的主要来源。消掉后门路径的办法是“分层加权”——把混杂变量 Z 分成不同取值层，在每层内部比较 X 对 Y 的影响，再按各层人数加权拼回整体。它的数学基础是全概率公式：

族谱里最危险的不是箭头的多少，而是“共同祖先的背影”和“对撞点的假象”。只有把这两类节点认清楚，分层加权才有意义。

后门准则应用

想验证“爸爸熬夜会遗传给你”，你不能真去强迫爸爸熬夜，只能观察并分层：把爷爷那边的影响固定住，再比较爸爸熬夜与否的你。这个“固定住共同祖先影响”的操作，就是关闭后门路径。后门准则（backdoor criterion）给出了系统解法。

选择一个变量集 Z 作为调整集，它需要满足两个条件：其一，Z 中不含 X 的后代（不能把 X 的结果也拿进去控制）；其二，Z 能阻断所有从 X 到 Y 的后门路径。满足条件后，X 对 Y 的因果效应就可以通过“对 Z 分层求加权平均”从观测数据中估计出来。

干预本身用 do 算子表示。P(y | do(x)) 读作“把全世界强制设置成 X=x 时，Y 取 y 的概率”。do(x) 会剪断所有指向 X 的箭头，相当于实验者亲自下场安排 X 的取值，而不允许混杂再偷偷影响 X。后门准则的调整公式是：

这就像从多个“同住屋檐”的家族样本中提取共同规律——把每个屋檐的影响分别抵消后，剩下的才是真正属于“爸爸传给你”的遗传效应。

因果检验与实战

族谱初稿画完，还要拿 DNA 检测和户籍记录审计。因果图同样需要检验与加固。模型检验阶段，我们把图中暗示的每条条件独立关系与数据对照：如果图上说“给定 Z 后 X 与 Y 独立”，而数据强烈拒绝，就得修正箭头。敏感性分析则追问一个更尖锐的问题：未观测的混杂要强到什么程度，才能把当前结论彻底翻转？

当存在无法观测的混杂时，我们需要借力工具变量（instrumental variable）：找一个只通过 X 影响 Y、且与未观测混杂独立的变量 Z，就像“政策抽奖”或“自然实验”提供的伪随机变化。例如为了评估教育年限对收入的因果效应，可以用“出生季度”作为工具变量——出生月份不受个人控制，却影响入学年龄和教育年限。工具变量的估计公式是：

工程实践上，因果推断是一个闭环：构建因果图 → 识别调整集 → 估计因果效应 → 验证与敏感性分析。经过审计的族谱才能用于决策，经过检验的因果图才能真正支撑 AI 的自动决策。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.linear_model import LinearRegression np.random.seed(42)n = 2000 # 外生混杂变量 Z 作为家族背景z = np.random.normal(0, 1, n) # 处理 X 受 Z 影响 形成后门路径 Z -> Xx = 0.6 * z + np.random.normal(0, 0.8, n) # 结果 Y 同时受 X 与 Z 影响 真实因果系数为 1.2y = 1.2 * x + 0.8 * z + np.random.normal(0, 0.5, n) # 朴素回归 忽略混杂 只拿 X 预测 Ynaive = LinearRegression().fit(x.reshape(-1, 1), y)print('朴素回归系数(有偏):', round(naive.coef_[0], 3)) # 后门调整 控制混杂 Z 后再回归X_train = np.column_stack([x, z])adjusted = LinearRegression().fit(X_train, y)print('后门调整X系数(真实效应):', round(adjusted.coef_[0], 3))print('后门调整Z系数:', round(adjusted.coef_[1], 3))

1. x = 0.6 * z + np.random.normal(0, 0.8, n)让处理变量 X 被混杂 Z 驱动，对应因果图中 Z→X 的箭头，这是后门路径的来源。
2. y = 1.2 * x + 0.8 * z + np.random.normal(0, 0.5, n)真实因果系数 1.2 藏在生成公式里，混杂对 Y 还有 0.8 的额外贡献。
3. naive = LinearRegression().fit(x.reshape(-1, 1), y)忽略 Z 的朴素回归，会把 Z 的贡献也算到 X 头上，得到有偏估计。
4. X_train = np.column_stack([x, z])把 X 和混杂 Z 拼成特征矩阵，对应后门准则中的“对 Z 分层”。
5. adjusted = LinearRegression().fit(X_train, y)控制 Z 后 X 的系数逼近 1.2，这是用一行代码实现后门调整。

常见误区

面试题