d-分离准则：读懂因果图的“水路交通规则”

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

因果图基础

你的办公桌上摊着一张巨大的供水管网图：每个水站、小区、工厂是一个“节点”，每根管道是一条“有向边”，箭头指示水流方向。因为水不可能流成圈回到自己，所以管网必须是一张“有向无环图”（DAG）。因果图就是这样的管路图纸——节点是变量，有向边表示“箭头尾部的变量会影响箭头头部的变量”。

在因果推断中，我们用节点表示随机变量，用有向边表示因果关系。比如“降雨量 → 河流水位 → 自来水厂取水难度”就是一条链式因果路径。若一张图没有任何从某节点出发又能绕回它的环路，就称它为有向无环图（Directed Acyclic Graph, DAG）。直接指向某变量的节点称为它的“父节点”，反过来，从某节点出发指向别人的称为“子节点”。父节点、子节点这些称呼，正像管网中一段管道的上游接入点与下游出水口。

DAG最重要的性质是它决定了联合概率的分解方式。若已知每个节点的父节点，整张图中所有变量的联合分布可以写成“给定父节点下的条件概率”的连乘积，这就是概率图模型的基本因子分解：

回到管网图：水厂的取水量只取决于它直接上游的水位，而不是几十公里外的降雨量——因为中间节点已经替你把上游信息“汇总”了。这就是 DAG 告诉你的核心直觉：想预测某个节点，只需盯住它的父节点。

三种路径结构

管网中两根管道之间的连接只有三种基本接法：串联——一根管子中间接一个水塔；并联——一个水厂分成两路送给两个小区；汇合——两路管道汇进同一个蓄水池。因果路径同样只有这三种结构。它们各自的信息流动规则，是整个 d-分离理论的基石。

• 链式：A → B → C，像串联水管，中间 B 是接力站。

• 分叉：A ← B → C，B 是共同源头，同时向 A 和 C 送水。

• 对撞：A → B ← C，A 和 C 的管道都汇入 B，B 同时接收两路来水。

这三种结构的“信息流动”性质完全不同。链式和分叉在无条件时，A 与 C 之间存在信息流动（A 与 C 相关）；但只要以 B 为条件——相当于在 B 处固定读数——这条通道就被切断，A 与 C 条件独立。对撞恰恰相反：无条件时，A 与 C 的信息都“终结”在 B 处，A 与 C 本来独立；但若强行以 B 为条件，反而会凭空打开一条信息通道，让 A 与 C 出现“虚假相关”。这就是著名的 Berkson 悖论。

对撞结构有个经典例子：A＝钢琴天赋，C＝篮球天赋，B＝是否被星探发掘。一般人群里钢琴好和篮球好两不相干；但若只看那些被星探发掘的人（以 B 为条件），会发现两种天赋呈现负相关——因为此时样本已经被限定在“某方面特别优秀”的子群体里了。这就是三条管道接法在水压表上呈现的“读数联动”。

d-分离判定

调度员手里有一本“阀门手册”：条件集合 Z 就是你选定的阀门组。d-分离要做的，是检查“关闭 Z 组阀门后，X 小区和 Y 小区之间还有没有贯通的管道”。若一条通道都没有，就说 X 与 Y 被 Z d-分离。d-分离（directional separation）是纯图论概念，不依赖任何数据。

给定条件集合 Z，若从 X 到 Y 的每一条无向路径（不管箭头方向）都被 Z 阻断，则称 X 与 Y 被 Z d-分离。阻断规则只有两条：其一，链式或分叉的中间节点在 Z 中，则路径阻断；其二，对撞子不在 Z 中、且对撞子的后代也不在 Z 中，则路径阻断——因为对撞路径本来就是关闭的。

于是判定步骤非常清晰：第一步，找出 X 到 Y 之间所有不考虑箭头方向的路径；第二步，对每条路径按规则判断是否被 Z 阻断；第三步，若所有路径都被阻断，则称 X 与 Y 在给定 Z 下 d-分离，记为：

对阀门手册来说，你要的不是“我觉得该关哪个阀门”，而是逐条路径排查：这条管道中间有没有水塔（链式）？有没有共用水厂（分叉）？有没有汇入同一蓄水池（对撞）？把每条可能的水路都检查完，才能拍板说“两个小区彻底隔离”。

条件独立性

图纸上判定“隔离”还不够，真正要验证的是水压表读数。d-分离说“这两小区该独立”，统计上就表现为：在给定 Z 的每一组取值下，知道 X 的读数不会帮你猜 Y 的读数——这就是条件独立。d-分离是图上的性质，条件独立是概率分布的性质，连接两者的桥梁是图模型的基本假设。

在 DAG 中，若在移除所有由 X 指向 Y 的因果边之后，X 与 Y 被 Z d-分离，则分布上一定有 X 与 Y 在给定 Z 下条件独立。条件独立的含义是：在知道 Z 之后，再知道 X 的值不会改变你对 Y 的预测。用联合概率写出来，就是联合分布可以分解成两个边际条件概率的乘积：

注意箭头方向：d-分离一定能推出条件独立，但反过来要依赖“忠信性假设”——即分布中不会出现参数恰好抵消、导致图上没画出的额外独立性。如果违反忠信性，统计独立性就会比图告诉你的更多。就像管网图上明明隔着两道阀门，但其中一道恰好坏了、压力相互抵消，使得读数意外地互不干扰——这种巧合独立在真实系统里极不可靠。d-分离的价值，就是给你一个不依赖巧合、只看管路结构的判断标准。

do-calculus入门

观察是读压力表：你记录“此刻 X 小区的水压是 x，Y 小区的水压是多少”。干预是上手转阀门：你强制把 X 小区的水压设成 x，再看 Y 小区的反应。前者是“听天由命”，后者是“动手改造”，两者结果通常完全不同。在因果推断中，观察对应普通条件概率 $P(Y \mid X=x)$，干预则记作 $P(Y \mid do(X=x))$。

$do(X=x)$ 表示“强制将 X 设为 x”。干预的本质是切断所有指向 X 的因果箭头——相当于你绕过了上游，直接扳动 X 的阀门，于是 X 不再受其父节点影响。do-calculus 是一套公理化规则，它允许你在图上反复消去干预符号，把含 do 的表达式转化为只含普通条件概率的表达式，从而用观测数据估计干预效果。其三条规则大致是：在无关干预作用下可插入或删除观察变量；当某变量与干预无关时可把干预换成观察；当路径被适当阻断时可插入或删除干预。

最核心的直觉是不等式：

水管工不会为了测试某个阀门的影响就把整个水厂停掉——代价太大。do-calculus 的妙处在于，你只需读压力表（观测数据），再配合图纸上“哪些阀门该关”的判断（d-分离），就能算出“转阀门后的水压变化”。

可识别性应用

现在你终于要实操了。上级问：如果强制把 A 区进水量调成 x，C 区的水压会变成多少？直接停水试验成本太高，你希望用平时积累的观测数据回答。后门准则就是回答“收集哪些 Z 的数据，就能算出干预效果”的清单。设 X 是干预变量，Y 是结果变量，若存在一组变量 Z 满足两个条件：Z 中不含 X 的后代；Z 阻断了 X 到 Y 的所有“后门路径”——即那些从 X 出发、先反向走到 X 的父节点再绕到 Y 的非因果路径——则 Z 是一个可用的后门调整集。

从 d-分离的角度看，后门准则本质上要求：在剔除了 X→Y 的直接因果边之后，Z 能 d-分离 X 与 Y。这样，所有经由混淆变量流入 Y 的虚假信息都被 Z 截断，剩下的 X 到 Y 关联就是真实因果效应的“干净信号”。满足后门准则时，干预分布可以写成可观测量的加权平均，这就是后门调整公式：

现在你有了完整的操作手册：先用 d-分离检查后门路径是否被 Z 阻断，再用后门调整公式把观测数据变成干预效果。从这张管网图出发，你就能可靠地回答“该关哪些阀门”和“关了之后水压怎么变”——这，就是因果推断从图纸走向现实的全过程。

AI 应用场景

Python 演示

from collections import defaultdict  class DAG:    """一张有向无环图 用于判断 d-分离"""     def __init__(self, edges):        self.children = defaultdict(list)        self.parents = defaultdict(list)        self._all_nodes = set()        for a, b in edges:            self.children[a].append(b)            self.parents[b].append(a)            self._all_nodes.add(a)            self._all_nodes.add(b)     def _neighbors(self, node):        return self.children.get(node, []) + self.parents.get(node, [])     def _descendants(self, node):        seen, stack = set(), [node]        while stack:            cur = stack.pop()            for ch in self.children.get(cur, []):                if ch not in seen:                    seen.add(ch)                    stack.append(ch)        return seen     def _all_paths(self, start, end, path, visited):        if start == end:            return [path[:]]        paths = []        for nb in self._neighbors(start):            if nb not in visited:                visited.add(nb)                path.append(nb)                paths.extend(self._all_paths(nb, end, path, visited))                path.pop()                visited.remove(nb)        return paths     def _blocked(self, path, cond_set):        for i in range(1, len(path) - 1):            node = path[i]            prev, nxt = path[i - 1], path[i + 1]            is_collider = prev in self.parents[node] and nxt in self.parents[node]            if is_collider:                if node not in cond_set and not (self._descendants(node) & cond_set):                    return True            else:                if node in cond_set:                    return True        return False     def d_separated(self, x, y, cond):        cond = set(cond)        for path in self._all_paths(x, y, [x], {x}):            if not self._blocked(path, cond):                return False        return True  if __name__ == '__main__':    chain = DAG([('A', 'B'), ('B', 'C')])    fork = DAG([('B', 'A'), ('B', 'C')])    collider = DAG([('A', 'B'), ('C', 'B')])    print('链式无条件:', chain.d_separated('A', 'C', []))    print('链式条件B:', chain.d_separated('A', 'C', ['B']))    print('分叉无条件:', fork.d_separated('A', 'C', []))    print('分叉条件B:', fork.d_separated('A', 'C', ['B']))    print('对撞无条件:', collider.d_separated('A', 'C', []))    print('对撞条件B:', collider.d_separated('A', 'C', ['B']))

1. self.children[a].append(b)` 和 `self.parents[b].append(a)同时记录正向与反向邻接关系，为后面的无向路径搜索做准备（水管图纸的正反方向都要查）。
2. def _neighbors(self, node)返回节点的所有邻居，不管箭头方向，因为 d-分离的“路径”本来就不区分方向。
3. def _descendants(self, node)用栈做深度优先遍历找出所有后代，用来判断“对撞子的后代是否被条件化”这一特殊规则。
4. def _all_paths(self, start, end, path, visited)递归枚举起点到终点的所有无向简单路径，visited 集合防止绕圈死循环。
5. def _blocked(self, path, cond_set)逐段检查路径：对撞子未被条件化则阻断，链式/分叉中间节点被条件化则阻断。
6. def d_separated(self, x, y, cond)只要存在一条未被阻断的路径就返回 False；所有路径都被阻断才返回 True。

常见误区

面试题