因果图结构：用“家族族谱”看懂世间因果

可视化演示

展示因果图DAG结构、链/分叉/对撞路径类型与do-算子干预操作的交互演示

节点与有向边

爷爷书房里挂着一张手绘族谱：每个名字是一个圆圈，从父母指向子女的箭头是“血脉通道”。外人看一眼就知道谁是谁的祖先——没有箭头的人没有血缘，箭头方向画反了，辈分就全乱了。这张图在AI的世界里有一个正式的名字：因果图（Causal Graph）。它和普通的“关联图”有本质区别：关联图只告诉你“他们有关系”，因果图必须问清楚“谁直接影响谁”。

因果图中，节点（node）代表一个变量，比如学历、收入、健康；有向边（directed edge）代表直接因果影响，箭头从原因指向结果。形式化地，因果图是一个有向无环图（DAG），图上不允许出现“绕一圈又回到自己”的循环——因为现实世界的时间不可倒流，一个人不可能成为自己的祖先。

有了这张“变量族谱”，后续推理才有了坐标系：一个节点的父节点是直接指向它的变量，子节点是它直接指向的变量；一条沿箭头方向延伸的路径则传递间接影响。接下来，我们翻开族谱，先认识三种最经典的“亲戚关系”。

三类基础结构

族谱上任意三位成员之间，亲戚关系无非三种样板：直系血亲（爷爷—爸爸—我）、同宗兄弟（爷爷同时是我和堂哥的祖先）、双亲汇合（爸爸和妈妈共同“造就”了我）。令人惊喜的是，因果图里任意三个变量之间，也只会有这三种基础结构——链式、分叉、对撞，它们是整个因果推断的“乘法口诀表”。

链式结构（Chain）形如 A→B→C，A通过B间接影响C，好比“爷爷的基因→爸爸的体质→我的身高”；分叉结构（Fork）形如 A←B→C，B是A和C的共同原因，好比“爷爷的财富”同时影响着“爸爸的教育”和“叔叔的生意”；对撞结构（Collider）形如 A→B←C，B同时被A和C影响，好比“孩子的天赋”由父母双方的基因共同决定。这三种结构最关键的差异，体现在“条件化”（控制某个变量）之后的信息流通规则上。

族谱记住三句话：直系（链式）和同宗（分叉），中间一拦就断；双亲汇合（对撞），中间一筛就乱。理解这三类结构，你就能预判“控制某个变量”到底是消除偏倚还是制造偏倚。

路径与d-分离

两位族人表面上沾亲带故，但中间隔着好几道“关卡”：每次家族聚会都有人缺席，情报传不过去。要判断他们到底有没有实际联系，必须沿着族谱逐条通路检查。因果图里，从X到Y的一条路径（path）是首尾相接的边序列，有向路径则必须沿箭头方向走。祖先（ancestor）和后代（descendant）的定义沿用族谱的直觉。

现在的问题是：给定一组已经观测并控制的变量Z，X和Y之间还有没有“信息通道”？这就是d-分离（d-separation）回答的问题。路径上每个节点按照三类结构判断是否被阻断：链式结构中的中间节点若被Z控制，路径阻断；分叉结构中的共同祖先若被Z控制，路径阻断；对撞节点若被Z控制，路径反而打开（默认为阻断）。如果X和Y之间的所有路径都被阻断，则称X和Y被Z d-分离。

d-分离是“如何切断族谱上的流言”。想判断两个变量到底真有关联还是谣言，就用Z把所有后门通道锁死。掌握了这把锁，我们就能去对付最棘手的“家族谣言”——混淆。

混淆与后门

有人统计发现“村里喝咖啡的人普遍长寿”，于是宣称咖啡能延年益寿。翻开族谱才发现：喝咖啡的人都来自“长寿家族”，家族基因才是那个共同祖先。一旦把“家族”这个变量考虑进去，咖啡和长寿之间看似亲密的关系就消失了。这个躲在背后的“共同祖先”，就是因果推断里最臭名昭著的角色——混淆因子（confounder）。

混淆因子同时影响处理变量X和结果变量Y，使得观察关联P(Y|X=x)偏离真实因果效应P(Y|do(X=x))。那条从X出发、通过Z绕一圈又回到Y的“X←Z→Y“路径，被称为后门路径（backdoor path）：它不沿X出发的箭头前进，却让外部信息悄悄”溜进”X，制造虚假关联。幸运的是，后门准则（backdoor criterion）给出了解药：找到一组变量Z，它不包含X的后代，且能阻断所有后门路径，就可以用后门调整公式还原真实因果效应。

想要“看穿”虚假关联，就把族谱上那些“共同祖先”控制起来。这也是为什么分析“教育是否提高收入”时必须控制“家庭背景”——否则你看到的只是一条漂亮的后门路径。

干预与do算子

观察族谱只能告诉你“现实中发生了什么”；但如果你想知道“如果爷爷当年去当了医生，爸爸的人生会有什么不同？”——你就必须动手改写族谱，在想象中把爷爷职业这条支线剪断重连。do算子（do-calculus）正是那支改写族谱的“神笔”。

do(X=x)表示进行一次外部干预，把X强制设为x，相当于从外部“拔掉”所有指向X的箭头的自然机制。这里有一个新手最容易踩的坑：P(Y|do(X=x)) 不一定等于 P(Y|X=x)。观察数据里的X是“祖先们”决定的，干预后的X是被外力固定的——一个是看族谱找相似的人，一个是逼着所有人改姓，两者截然不同。

“观察”是看族谱，“干预”是导演拿着剧本让演员改戏。只有通过干预，我们才能回答“让所有人都吃药会怎样”这类真正面向决策的问题。而把干预再推进一步，就进入了更迷人的领域——反事实。

反事实推理

午夜梦回，你问自己：“如果当年没选计算机专业，现在会怎样？”现实中只有一个时间线，但因果图允许我们在脑中创造平行宇宙。反事实（counterfactual）问题的格式是：“给定现实中已观察到X=x'且Y=y'，如果反事实世界中X=x，Y会是多少？”它与干预的区别在于：干预不利用观测到的Y信息，反事实则把“我这个人的具体情况”完整纳入考虑。

Pearl提出的三步法是反事实推理的黄金流程。第一步外展（abduction）：用现实观测反推出个体的扰动项，也就是族谱里那些“说不清道不明的运气”；第二步干预（action）：用do(X=x)改写因果图；第三步预测（prediction）：在新世界中计算Y的反事实值。基于反事实，我们还能定义必要因（如果没有X就一定没有Y）与充分因（只要有X就必有Y），并计算归因概率PN，回答“这件事到底在多大程度上该怪X”。

族谱写的是正史，反事实写的是“野史”。在AI决策中，反事实让我们能从个别失败案例中追问“哪个环节不可替代”，是责任认定与个性化决策的基石。

构建与应用

给一个家族画族谱，光靠听老人讲故事（专家知识）不够，还得结合DNA检测（数据）。但DNA只能告诉你“有亲缘关系”，无法百分之百分清谁是谁的父亲——这就是马尔可夫等价类（MEC）给出的“测不准原理”。

构建因果图有两条路线：一是以专家知识手工绘制，自上而下地确定节点与箭头方向；二是用结构学习算法从数据中自动发现，自下而上地检验条件独立性（如PC算法、GES算法）。但纯观测数据存在识别天花板：X→Y→Z、X←Y→Z、X←Y←Z三种图给出的条件独立关系完全一致，数据无法区分哪个是真实方向，必须依靠干预实验或领域假设来打破僵局。一个完整的结构因果模型（SCM）由因果图G和参数Θ组合而成：G决定“谁是谁的父母”，Θ决定“父母如何影响子女”。

一张靠谱的“变量族谱”胜过一百次盲目的数据回归。因果图不是万能钥匙，但它给了你“辈分意识”：知道该控制谁、不该控制谁，该信谁、不该信谁。有了这份意识，你就能在纷繁的数据中分清因果与噪音。

AI 应用场景

Python 演示

import numpy as np  def generate_data(n=2000, seed=42):    rng = np.random.default_rng(seed)    # 混淆因子 Z: 家庭收入水平(万元/年)    Z = rng.normal(8.0, 2.0, n)    # 处理变量 X: 是否购买高端课程, 受 Z 影响    prob_x = 1.0 / (1.0 + np.exp(-(0.4 * Z - 3.0)))    X = rng.binomial(1, prob_x)    # 结果变量 Y: 学习效果评分, 真实因果效应=2.0, 混淆效应=1.5*Z    Y = 2.0 * X + 1.5 * Z + rng.normal(0, 1.0, n)    return X, Y, Z  def backdoor_adjust(X, Y, Z, n_bins=10):    """后门调整: 按混淆因子 Z 分层, 层内比较后加权平均"""    edges = np.linspace(Z.min(), Z.max(), n_bins + 1)    bin_id = np.digitize(Z, edges[1:-1])    total = 0.0    for b in range(n_bins):        mask = bin_id == b        if np.sum(mask) == 0:            continue        treated = mask & (X == 1)        control = mask & (X == 0)        if np.sum(treated) == 0 or np.sum(control) == 0:            continue        effect_b = np.mean(Y[treated]) - np.mean(Y[control])        total += effect_b * np.sum(mask) / len(X)    return total  if __name__ == '__main__':    X, Y, Z = generate_data()    naive = np.mean(Y[X == 1]) - np.mean(Y[X == 0])    adjusted = backdoor_adjust(X, Y, Z)    print('naive estimate (confounded): %.3f' % naive)    print('backdoor adjusted estimate:   %.3f' % adjusted)    print('true causal effect:            2.000')

1. prob_x = 1.0 / (1.0 + np.exp(-(0.4 * Z - 3.0)))用sigmoid函数模拟“收入越高的家庭越可能买课”。
2. Y = 2.0 * X + 1.5 * Z + rng.normal(0, 1.0, n)埋入真实的因果效应系数2.0，同时让Z以1.5的强度污染Y。
3. bin_id = np.digitize(Z, edges[1:-1])把连续的混淆因子Z切成10个离散层。
4. effect_b = np.mean(Y[treated]) - np.mean(Y[control])在每一层内比较“买课”与“不买课”的评分差。
5. total += effect_b * np.sum(mask) / len(X)按该层人数占比加权，把层内效应合并成全局因果效应。

常见误区

面试题