在市中心的气象预报中心，墙面上挂着一张巨大的“天气因果图”：节点是高压系统、风速、海浪高度、云层厚度，箭头则标出它们之间的因果路径——“高压系统→风速→海浪高度”。首席预报员小林总说，这张图不是一幅装饰画，而是一份“承诺书”。每一个箭头都在悄悄承诺：如果你控制了中间的风速，高压系统就不应再对海浪高度产生额外影响。每天，真实的气象数据像一位严格的考官，逐条检验这些承诺。承诺一次次被兑现，这张图就越来越可靠；一旦被数据否定，团队就要加班修改箭头。这篇文章，就是要讲清楚因果图这份“承诺书”如何被数据检验，以及它为什么因此成为一门真正的科学。

岗位关联

理解因果图的可测试含义，是AI从业者从“跑通模型”走向“可靠决策”的关键一步——它能帮你判断模型学到的因果关系是真实规律还是偶然相关。

目录
  1. 可视化演示
  2. 可测试含义——因果图的“承诺书”
  3. d-分离规则——信息通路的“闸门”
  4. 条件独立性——从图到数据的“翻译”
  5. 模型验证——数据当“考官”
  6. 偏差修正——给因果图“打补丁”
  7. 科学方法论——可证伪性身份证
  8. 应用支撑——从机理解释到决策落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示DAG的d-分离判定、条件独立性检验与PC算法因果发现过程，支持模式切换与播放控制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

DAG d-分离判定 给定Z时X与Y的路径被阻断，则X⊥Y|Z,提供可检验约束 X⊥Y|Z ⟺ d-sep(X,Y|Z) d-分离连接图与统计

可测试含义——因果图的“承诺书”

小林的桌上有一本“预报承诺手册”，上面记录着天气因果图中每个箭头对应的可检验预言。比如“高压系统→风速→海浪高度”这条链条，承诺了：一旦你固定风速，高压系统就不该再对海浪高度有额外影响。这张图是否可信，不取决于画得多么工整，而取决于这些承诺能否在真实气象数据中兑现。

在因果推断中，这样的承诺被称为“可测试含义”（testable implications）。因果图作为结构方程模型的图形化表达，不仅描述了变量之间的依赖关系，还通过有向无环图（DAG）的拓扑结构蕴含了一组条件独立性约束。这些约束是图的纯结构属性，不依赖于具体的函数形式或参数取值。

具体而言，如果图G通过d-分离原理推出“节点集X与Y在给定节点集Z时独立”，即 \(X \perp\!\!\!\perp Y \mid Z\)，那么这就是图G的一个可测试含义。若观测数据的真实分布满足该约束，这一条承诺通过；若不满足，则意味着图中的某些箭头方向或缺失边需要重新审视。可测试含义因此为因果图提供了一条经验验证的通道。

就像小林的天气预报每天用实测数据检验“承诺手册”上的条目，因果图的可测试含义也把抽象的箭头变成了可被数据夸赞或质疑的预言。这些预言，正是因果图从“纸上谈兵”走向“经验科学”的起点。

X⊥ ⁣ ⁣ ⁣⊥Y∣Z  ⟺  d-sepG(X,Y∣Z)X \perp\!\!\!\perp Y \mid Z \iff \text{d-sep}_G(X, Y \mid Z)
通俗说明：这句话说的是——“X和Y在给定Z的条件下相互独立”这件事，和“在因果图G中X与Y被Z隔开”这件事，在逻辑上是等价的。
  1. 左侧条件独立（X ⊥ Y | Z）表示在知道Z的情况下，X不携带关于Y的额外信息。
    X⊥ ⁣ ⁣ ⁣⊥Y∣ZX \perp\!\!\!\perp Y \mid Z
  2. 右侧d-分离（d-sep_G）表示在图G中，从X到Y的所有通路都被Z阻隔，信息无法在图中传递。
    d-sepG(X,Y∣Z)\text{d-sep}_G(X, Y \mid Z)
  3. 等价符号（iff）两者一真俱真、一假俱假，这是图与概率分布之间的桥梁。
      ⟺  \iff

d-分离规则——信息通路的“闸门”

小林的预报中心有一条“信息通道”制度：高压系统把信息传给风速观测站，观测站再把信息传给海浪预报员。但如果观测站临时关闭（条件Z已知），信息就传不到海浪预报员那里。这里的“通道开关”逻辑，正是d-分离在现实中的投影。

d-分离（directed separation）回答了一个问题：给定一组条件变量Z，节点集X和Y之间是否还存在“开放”的信息通路？如果所有通路都被阻断，称X与Y在给定Z下d-分离；只要存在一条开放通路，就称d-连接。

d-分离的判定由三种基本结构组合而成：链式（X→Z→Y）中Z是中介，条件化Z阻断通路；分叉（X←Z→Y）中Z是共同原因，条件化Z同样阻断通路；对撞（X→Z←Y）中Z是对撞节点，未条件化时通路本来就阻断，条件化Z（或其后代）反而打开通路。

回到预报中心，小林最怕的就是“对撞陷阱”：比如同时观察“气压计读数”和“温度计读数”（两者都受天气系统Z影响），如果误把它们当成因果证据，就会得出荒谬结论。理解了d-分离，就能避开这些信息通路上的“隐形闸门”。

X→Z→Y⇒X⊥ ⁣ ⁣ ⁣⊥Y∣ZX←Z→Y⇒X⊥ ⁣ ⁣ ⁣⊥Y∣ZX→Z←Y⇒X⊥̸Y∣Z\begin{aligned}X \rightarrow Z \rightarrow Y &\Rightarrow X \perp\!\!\!\perp Y \mid Z \\X \leftarrow Z \rightarrow Y &\Rightarrow X \perp\!\!\!\perp Y \mid Z \\X \rightarrow Z \leftarrow Y &\Rightarrow X \not\perp Y \mid Z\end{aligned}
通俗说明：前两种结构，Z像一扇“常开闸门”，合上闸门（条件化Z）就阻断信息；对撞结构则相反，Z像一扇“常闭闸门”，打开它（条件化Z）反而让信息通过。
  1. 链式结构X影响Z，Z影响Y；已知Z后，X对Y的间接影响被“吸收”。
    X→Z→Y⇒X⊥ ⁣ ⁣ ⁣⊥Y∣ZX \rightarrow Z \rightarrow Y \Rightarrow X \perp\!\!\!\perp Y \mid Z
  2. 分叉结构Z是X和Y的共同原因；已知Z后，X与Y不再因共同原因而相关。
    X←Z→Y⇒X⊥ ⁣ ⁣ ⁣⊥Y∣ZX \leftarrow Z \rightarrow Y \Rightarrow X \perp\!\!\!\perp Y \mid Z
  3. 对撞结构Z同时受X和Y影响；未知Z时X与Y独立，一旦已知Z（或其后代），X与Y之间出现虚假关联。
    X→Z←Y⇒X⊥̸Y∣ZX \rightarrow Z \leftarrow Y \Rightarrow X \not\perp Y \mid Z

条件独立性——从图到数据的“翻译”

小林每天最关心的问题是：知道了风速之后，高压系统的数据还能不能帮助预测海浪高度？如果不能，他就放心地在预报模型里把“高压系统”对“海浪高度”的直接作用忽略掉——这就是条件独立性在气象预报中的日常应用。

条件独立性（X ⊥ Y | Z）的统计定义是：在Z取任何值的条件下，X与Y的联合分布等于各自条件分布的乘积，即 \(P(X,Y|Z)=P(X|Z)P(Y|Z)\)。它把d-分离的图论预言翻译成了可计算的统计性质。

检验条件独立性的常用工具是偏相关系数：先将X和Y分别对Z做线性回归，取残差，再计算两个残差的相关系数。如果偏相关系数不显著偏离0，则认为数据支持条件独立性。

小林的团队每周都会用过去的气象数据计算这些偏相关系数，给“承诺手册”打分。条件独立性就是那条连接“图论承诺”与“数据证据”的翻译管道，没有它，因果图就只是一张沉默的拓扑图。

ρXY⋅Z=ρXY−ρXZρYZ(1−ρXZ2)(1−ρYZ2)\rho_{XY \cdot Z} = \frac{\rho_{XY} - \rho_{XZ}\rho_{YZ}}{\sqrt{(1-\rho_{XZ}^2)(1-\rho_{YZ}^2)}}
通俗说明：就像先“扣除”风速对高压系统和海浪高度的共同影响，再看两者之间是否还有“净关联”。
  1. 无条件相关（ρ_XY）X与Y的总相关中既包含直接关联，也包含经由Z的间接关联。
    ρXY\rho_{XY}
  2. 间接路径效应（ρ_XZ·ρ_YZ）Z对X和Y共同影响的大小，通俗说就是“借道Z传递的关联”。
    ρXZρYZ\rho_{XZ}\rho_{YZ}
  3. 分子（净相关）总相关减去间接效应，得到控制Z后的残余关联。
    ρXY−ρXZρYZ\rho_{XY} - \rho_{XZ}\rho_{YZ}
  4. 分母（标准化）把残余关联标准化为偏相关系数，使其取值范围仍在[-1,1]。
    (1−ρXZ2)(1−ρYZ2)\sqrt{(1-\rho_{XZ}^2)(1-\rho_{YZ}^2)}

模型验证——数据当“考官”

在气象预报中心有一间“考核室”，墙上挂着过去一年每天的预报与实况对比。预报不准的日子会被红笔圈出。小林知道，真正让一张因果图有价值的，不是它的线条多精美，而是它能一次次在考核室中幸存。

模型验证（model validation）就是把可测试含义变成一场有裁判的实验：首先从因果图中枚举所有蕴含的条件独立性约束；然后在观测数据上逐条检验；最后汇总哪些约束被数据拒绝，定位模型假设中的偏差来源。

常见的检验方式包括偏相关的t检验、卡方独立性检验、以及基于互信息或距离相关的方法。以偏相关t检验为例，其统计量衡量“控制Z后X与Y的残余相关”是否显著不同于0。

如果一份承诺在考核室中被红笔圈出，小林不会立刻扔掉整张天气图，而是先怀疑是哪个箭头画错了。模型验证的功能正是如此——它不负责直接给出正确的图，而是精准地指出“哪里出了问题”。

t=ρXY⋅Zn−k−21−ρXY⋅Z2t = \frac{\rho_{XY \cdot Z} \sqrt{n - k - 2}}{\sqrt{1 - \rho_{XY \cdot Z}^2}}
通俗说明：t值像是“信号与噪声的比值”：分子是残余相关的强度，分母是它的不确定性。|t|越大，越说明数据与"X ⊥ Y | Z"的承诺不相符。
  1. 偏相关（ρ_XY·Z）控制Z后X与Y的净关联，是检验的对象。
    ρXY⋅Z\rho_{XY \cdot Z}
  2. 自由度校正（√(n-k-2)）样本量n减去条件变量数k和2个参数，样本越多，统计量越可靠。
    n−k−2\sqrt{n - k - 2}
  3. 不确定性分母（√(1-ρ²)）偏相关自身的抽样波动范围。
    1−ρXY⋅Z2\sqrt{1 - \rho_{XY \cdot Z}^2}
  4. t统计量综合信号与不确定性，|t|>约2时认为偏相关显著非零，即数据违反条件独立性承诺。
    tt

偏差修正——给因果图“打补丁”

被数据拒斥之后，预报团队会聚在一起“诊断”：是“高压系统→风速”这条边方向反了？还是漏掉了“高空急流”这个共同原因？他们像医生看X光片一样分析偏差的模式，然后动手修改天气因果图。

偏差修正（bias correction）是在可测试含义被违反后，对因果图结构进行调整以恢复数据一致性的过程。常见操作包括增加缺失的边、删除多余的边、逆转箭头方向，或者引入新的潜变量节点。

结构搜索通常借助评分函数来权衡拟合优度与模型复杂度。贝叶斯信息准则（BIC）是最常用的评分之一：它既能惩罚欠拟合，也能惩罚过拟合。每一轮修正后，重新检验所有可测试含义，直到模型与数据的“对话”达成一致。

修正过程不是一蹴而就的。小林常说，因果图是“改出来的”，就像天气预报系统每季度都要根据实际表现调优一次。经过多轮迭代验证，图的结构与数据证据最终达成共识，这张图才真正成为可信赖的预报依据。

BIC=−2ln⁡L+kln⁡n\text{BIC} = -2\ln L + k\ln n
通俗说明：BIC像是一把“公平的尺子”：左边度量模型对数据的拟合好坏，右边度量模型的复杂程度——既不能拟合太差，也不许堆砌太多参数。
  1. 拟合优度（-2 ln L）负对数似然，数值越小表示模型越能解释数据。
    −2ln⁡L-2\ln L
  2. 复杂度惩罚（k ln n）参数数量k越大、样本n越多，惩罚越重，防止过度拟合。
    kln⁡nk\ln n
  3. BIC（总评分）拟合与复杂度的平衡，BIC越小，模型越优。
    BIC\text{BIC}

科学方法论——可证伪性身份证

如果一位预报员永远只说“明天可能下雨也可能不下雨”，他永远不会被扣分，但也永远不会被信任。小林的团队深知：一张因果图之所以值得信赖，恰恰因为它敢于做出精确到可以被否定的预测——这就是可证伪性的力量。

卡尔·波普尔提出，一个理论之所以是科学的，不在于它能否被证实，而在于它是否具备可证伪性：存在某种可观测结果能将其否定。因果图蕴含的条件独立性约束，正好提供了这样的观测结果。因此，因果图不止是一种主观假设，而是一个有经验内容的科学模型。

可证伪性的强度与图的约束数量正相关：一张图蕴含的可测试含义越多，它在数据检验中“翻车”的机会越多，一旦全部通过，其可信度也越高。相反，一张几乎不加约束的图（例如任意两个节点之间都连边）几乎不可能被证伪，但也几乎不携带任何科学信息。

小林的团队把“可证伪性”写在预报中心墙上：一条不犯错的模型是一条无用的模型。因果图正是因为敢于向数据承诺“你会看到什么”，才在一次次被检验中获得科学的尊严。

G⊨(X⊥ ⁣ ⁣ ⁣⊥Y∣Z),但ρ^XY⋅Z≠0⇒G 被证伪G \vDash (X \perp\!\!\!\perp Y \mid Z), \quad \text{但} \quad \hat{\rho}_{XY\cdot Z} \neq 0 \Rightarrow G \text{ 被证伪}
通俗说明：如果因果图“宣称”X与Y在控制Z后独立，而数据中说“它们还显著相关”，那么这张图就被事实打脸了——当然，这种“打脸”恰恰是科学进步的起点。
  1. 图的蕴含（G ⊨ 条件独立）因果图从结构上推出X与Y在给定Z时应独立。
    G⊨(X⊥ ⁣ ⁣ ⁣⊥Y∣Z)G \vDash (X \perp\!\!\!\perp Y \mid Z)
  2. 数据拒绝（ρ̂ ≠ 0）观测数据估计出的偏相关系数显著偏离0。
    ρ^XY⋅Z≠0\hat{\rho}_{XY\cdot Z} \neq 0
  3. 证伪结论图与数据矛盾，G被否定，需要修正或替换。
    ⇒G 被证伪\Rightarrow G \text{ 被证伪}

应用支撑——从机理解释到决策落地

经过多年反复检验，小林的天气因果图终于从墙上走到了指挥台：航海公司依据它会避开风暴，农业部门根据它安排灌溉。因果图在AI领域同样如此——只有经受过可测试含义验证的模型，才值得被用于真实决策。

在实际应用中，因果图的可测试含义提供了模型可靠性验证的技术支撑。在医疗、政策、营销、风控等领域，研究者先根据领域知识构建DAG，再在观测数据上检验其蕴含的条件独立性约束，确保模型结构不是随意画的箭头。

例如在医疗场景中，构建“药物→血压→心血管事件”的因果图后，可在电子病历数据中检验：控制血压后，药物与心血管事件是否条件独立。若数据拒绝该约束，则提示可能存在未观测的混杂因素或颠倒的箭头，需要进一步修正。类似的逻辑也应用于政策评估中“政策→中间变量→结果”的中介分析，以及营销归因中“曝光→点击→转化”的漏斗验证。

小林的天气图从一幅装饰画变成了无数人的“出行护身符”，靠的不是画技，而是被数据反复打磨后的可靠性。因果图的可测试含义，正是它从理论走向应用的那座桥。

验证通过的可测试含义集合⇒因果图可信度提升，可支撑决策\text{验证通过的可测试含义集合} \Rightarrow \text{因果图可信度提升，可支撑决策}
通俗说明：可测试含义就像模型的“体检报告”：通过的项目越多，模型越健康，越能放心地把它用在关键的决策环节。
  1. 可测试含义集合从图中导出的一组条件独立性约束。
    可测试含义集合\text{可测试含义集合}
  2. 可信度提升通过检验的数量越多，模型的结构越可信。
    因果图可信度提升\text{因果图可信度提升}
  3. 支撑决策可信的因果图可以支持治疗、投放、政策等实际决策。
    可支撑决策\text{可支撑决策}

AI 应用场景

医疗因果验证

阶段：模型验证与可靠性评估

解决的问题：电子病历数据中存在大量混杂因素（如年龄、共病），直接计算药物与结局的相关系数会被混杂污染。通过构建因果图并验证其可测试含义，可以确认“药物→中间指标→结局”的因果路径是否成立，避免把相关当因果。

具体案例：某医院研究团队构建“降糖药→血糖控制→心血管事件”的DAG，用十年电子病历数据检验：控制血糖水平后，降糖药与心血管事件应条件独立。如果检验拒绝，则提示可能存在未观测的依从性因素，需要扩展模型。

营销归因分析

阶段：特征工程与效果归因

解决的问题：营销漏斗中曝光、点击、转化层层传递，简单回归会把间接效应误判为直接效应。因果图的可测试含义提供了一条验证漏斗结构的路径，让归因权重分配有据可依。

具体案例：某电商团队构建“广告曝光→商品点击→购买转化”的DAG，通过A/B测试数据检验：控制点击量后，曝光与购买转化是否条件独立。若数据支持，则点击是曝光影响购买的唯一中介，归因权重可以据此分配。

政策评估与风险控制

阶段：因果效应估计与鲁棒性检查

解决的问题：政策是非随机干预，评估其效果面临选择偏差。利用DAG建模并验证可测试含义，可以为效应估计提供假设支撑，并提前暴露潜在混杂。

具体案例：某城市评估“地铁开通→通勤方式→居民满意度”的因果链，用调查数据检验通勤方式是否为中介。同时，金融机构用“信贷审批→资金使用→违约风险”的DAG验证反洗钱模型中是否存在对撞偏差。

Python 演示

python42 行
import numpy as npimport networkx as nxfrom scipy import stats  def partial_corr(x, y, z):    """控制 z 后 x 与 y 的偏相关系数"""    rx = x - np.polyval(np.polyfit(z, x, 1), z)    ry = y - np.polyval(np.polyfit(z, y, 1), z)    return stats.pearsonr(rx, ry)  rng = np.random.default_rng(42)N = 3000X = rng.normal(0, 1, N)Z = 2.0 * X + rng.normal(0, 0.8, N)Y = 1.5 * Z + rng.normal(0, 0.8, N) G = nx.DiGraph()G.add_edge('X', 'Z')G.add_edge('Z', 'Y')print('链式结构 X -> Z -> Y:')print('  未条件化: X 与 Y d-分离?', nx.d_separated(G, {'X'}, {'Y'}, set()))print('  条件化 Z: X 与 Y d-分离?', nx.d_separated(G, {'X'}, {'Y'}, {'Z'})) r, p = stats.pearsonr(X, Y)print('  无条件 X-Y 相关:', round(r, 4), '(p =', format(p, '.2e') + ')')r_z, p_z = partial_corr(X, Y, Z)print('  控制 Z 后 X-Y 偏相关:', round(r_z, 4), '(p =', format(p_z, '.2e') + ')') G2 = nx.DiGraph()G2.add_edge('X', 'Z')G2.add_edge('Y', 'Z')Z2 = 0.8 * X + 0.7 * Y + rng.normal(0, 0.5, N)print('对撞结构 X -> Z <- Y:')print('  未条件化: X 与 Y d-分离?', nx.d_separated(G2, {'X'}, {'Y'}, set()))print('  条件化 Z: X 与 Y d-分离?', nx.d_separated(G2, {'X'}, {'Y'}, {'Z'})) r2, p2 = stats.pearsonr(X, Y)print('  无条件 X-Y 相关:', round(r2, 4), '(p =', format(p2, '.2e') + ')')r2_z, p2_z = partial_corr(X, Y, Z2)print('  控制 Z 后 X-Y 偏相关:', round(r2_z, 4), '(p =', format(p2_z, '.2e') + ')')
目的：演示如何用 networkx 检测 d-分离，并用偏相关检验验证链式与对撞两种因果结构对应的条件独立性预言。
  1. G.add_edge('X', 'Z')在因果图中添加一条从 X 到 Z 的有向边，表示 X 是 Z 的原因。
  2. nx.d_separated(G, {'X'}, {'Y'}, set())调用 networkx 的 d-分离判定函数，检查在无条件时 X 与 Y 是否被图 G 隔开。
  3. nx.d_separated(G, {'X'}, {'Y'}, {'Z'})在条件集包含 Z 时重新判定，观察条件化如何阻断信息通路。
  4. def partial_corr(x, y, z)定义偏相关函数，先去除 z 的影响，再计算 x 与 y 的净相关。
  5. np.polyfit(z, x, 1)用一次多项式拟合 x 对 z 的回归，得到回归系数。
  6. stats.pearsonr(rx, ry)计算残差序列的皮尔逊相关和 p 值，作为条件独立性的证据。
  7. Z2 = 0.8 * X + 0.7 * Y + rng.normal(0, 0.5, N)生成对撞结构数据：Z 同时由 X 和 Y 决定，为后续演示对撞偏差做铺垫。

常见误区

误区初学者常认为，如果两个变量在因果图上是 d-分离的，那么它们在任何数据中的相关系数一定为零。看到图中 X 和 Y 被 Z 隔开，就直接断言“数据里 X 和 Y 不相关”。

正解d-分离是图论概念，描述的是“如果这个因果图是真的，数据应该表现出什么模式”。它给出的是模型的可检验预言，而非数据必然呈现的事实。如果 d-分离但数据中相关显著，说明图本身需要修正。就像天气预报说“明天下雨”不代表明天一定下雨，而是“如果模型对，应该下雨”。

为何常见：初学者容易混淆“模型假设”和“数据事实”，以为图的预言就是数据的必然特征，忽略了图中蕴含的是可检验推论而非确定事实。

误区“应当把能测到的变量都加入回归模型，控制得越多，因果估计越准确。”

正解对撞结构恰恰相反：X→Z←Y 中，X 和 Y 本来独立，但控制 Z（或 Z 的后代）后反而出现虚假相关。这就像两个没有共同朋友的人，如果你知道他们都认识某个人（对撞者），他们反而可能被联系起来。不加辨识地控制变量是有害的，必须先判断变量在图中扮演的角色。

为何常见：直觉上“控制混杂”在分叉结构中正确，初学者容易过度推广到所有结构，忽视了变量角色的根本差异。

误区“只要所有的条件独立性检验都通过，就说明这个因果图是完全正确的，可以放心下因果结论。”

正解可测试含义通过只是必要条件，不是充分条件。多张不同的因果图可能蕴含相同的条件独立性集合（马尔可夫等价类），仅靠观测数据无法区分它们。比如“高压→风速→海浪”和“高压←风速→海浪”在条件独立性预言上可以是等价的，需要实验或领域知识才能进一步区分。

为何常见：初学者把“经验支持”误解为“逻辑证明”，忽视了因果识别中的等价类难题和反事实本质。

误区“只要偏相关系数不是精确的 0，就说明条件独立性不成立，模型立刻出局。”

正解统计检验考虑的是抽样误差。偏相关为 0.02、p=0.3 时，数据并不拒绝条件独立性，因为这不是统计学上显著的非零。不能把点估计的微小偏离直接上升为对模型的否定。就像天气预报误差 2 度仍在置信区间内，不能说预报失灵。

为何常见：混淆了“点估计”与“假设检验”，忘记样本量有限时估计本身就有波动，没有证据不等于证据不存在。

面试题

Q1. 在链式结构 X → Z → Y 中，下列哪种情况下 X 与 Y 是 d-分离的？

单选题 · easy

  • A.未条件化任何变量时
  • B.条件化变量 Z 时← 正确答案
  • C.条件化变量 X 时
  • D.条件化变量 Y 时

答案：B。链式结构中 Z 是中介，未条件化时信息可以从 X 经 Z 流向 Y，因此 X 与 Y d-连接。一旦条件化 Z，这条通路就被阻断，X 与 Y 变为 d-分离。答案选 B。

Q2. 对撞结构 X → Z ← Y 中，未条件化 Z 时 X 与 Y 的关系是？

单选题 · easy

  • A.必然线性相关
  • B.条件依赖关系
  • C.相互独立关系← 正确答案
  • D.负相关关系

答案：C。对撞结构中，X 和 Y 共同影响 Z，但彼此之间没有信息通路，因此未条件化 Z 时 X 与 Y 相互独立。只有在条件化 Z（或其后代）后才会出现虚假相关。答案选 C。

Q3. “可测试含义”最准确的理解是？

单选题 · easy

  • A.模型需要被所有人认可
  • B.模型蕴含可检验的约束← 正确答案
  • C.模型可以输出任何数字
  • D.模型必须通过代码测试

答案：B。可测试含义是模型做出的可检验预言，即因果图蕴含的条件独立性约束，这些约束可以在观测数据上被验证或否定。B 准确概括了这一点。A、C、D 都不是“可测试含义”的科学含义。

Q4. 偏相关系数 ρ_XY·Z 度量的是？

单选题 · mid

  • A.X 与 Y 的简单相关系数
  • B.控制 Z 后 X 与 Y 的偏相关← 正确答案
  • C.Z 与 X 的因果关系强度
  • D.Y 与 Z 的回归系数值

答案：B。偏相关系数在去除 Z 对 X 和 Y 的影响后，计算 X 与 Y 的残余相关。它对应条件独立性检验中“控制 Z 后 X 与 Y 是否还相关”的问题。答案选 B。

Q5. 下列哪些结构属于因果图的基本结构？

多选题 · mid

  • A.链式 X → Z → Y← 正确答案
  • B.分叉 X ← Z → Y← 正确答案
  • C.对撞 X → Z ← Y← 正确答案
  • D.环状 X ↔ Y

答案：ABC。d-分离规则的三种基本结构是链式、分叉和对撞。环状结构（双向因果）不是 DAG 允许的结构，因为 DAG 要求有向且无环。A、B、C 都正确。

Q6. 某因果图蕴含 X ⊥ Y | {Z}，但观测数据中控制 Z 后 X 与 Y 显著相关，这说明？

单选题 · mid

  • A.数据收集一定有错误
  • B.因果图可能需要修正← 正确答案
  • C.X 和 Y 必定是同一个变量
  • D.条件独立性无需再检验

答案：B。数据拒绝图的可测试含义，意味着图的假设与经验证据冲突，最常见的原因是图的结构有偏差（缺失边、箭头方向错误等），因此需要修正模型。答案选 B。

Q7. 下列关于 d-分离的说法正确的有？

多选题 · mid

  • A.d-分离是图论性质与数据无关← 正确答案
  • B.控制对撞节点可诱发虚假相关← 正确答案
  • C.d-分离与统计独立是同一个概念
  • D.分叉中控制共因 Z 使 X、Y 独立← 正确答案

答案：ABD。d-分离是图论性质，不依赖具体数据（A 对）。对撞结构条件化后会出现虚假相关（B 对）。分叉结构控制共同原因后 X、Y 独立（D 对）。但 d-分离不是统计独立本身，而是统计独立的充分条件性预言（C 错）。

Q8. 马尔可夫等价类给因果推断带来的挑战是？

单选题 · hard

  • A.因果图无法被数据完全唯一识别← 正确答案
  • B.数据量永远不够支撑分析
  • C.观测数据无法计算任何统计量
  • D.因果图与实际变量完全无关

答案：A。马尔可夫等价类指多张不同 DAG 蕴含相同的条件独立性集合，因此仅靠观测数据无法区分它们，从而无法唯一确定因果方向。这是因果推断的基本局限之一。答案选 A。

Q9. 在模型验证中，一个可测试含义被数据拒绝后，合理的处理方式有？

多选题 · hard

  • A.直接删除所有收集到的数据
  • B.增加一条边修正因果结构← 正确答案
  • C.逆转箭头方向后重新检验← 正确答案
  • D.忽略拒绝结果继续使用模型

答案：BC。被拒绝后应调整模型结构，如增加遗漏的边、删除多余的边、逆转箭头方向，然后重新验证。删除数据或忽略结果都不是科学做法。答案选 B、C。

Q10. 关于可证伪性与因果图的科学发展，下列说法最准确的是？

单选题 · extreme

  • A.可证伪性使因果图具备经验基础← 正确答案
  • B.无法被证伪的模型信息量低
  • C.数据支持扩大了模型的信任度
  • D.可证伪性证明因果图永远正确

答案：A。可证伪性意味着模型敢于做出可能被数据否定的预测，这赋予因果图经验内容与科学地位，是最根本的价值（A 对）。B 是推论而非最准确表述，C 是检验通过后的结果，D 恰好误解了可证伪性的本意——它恰恰承认模型可能错。答案选 A。