DAG结构因果模型(SCM)：有向无环图

可视化演示

动态演示DAG结构因果模型(SCM)的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

因果图基础

水务局的第一件事是画蓝图。你不直接看历史数据，而是先标出哪些水塔之间真正有管道直连：暴雨 Z 会抬高水塔 X 的水位，也会让管道 Y 更容易漏水；同时水塔 X 的压力还会直接影响漏水。这张蓝图上，每个水塔是一个节点，每条带箭头的管道是一条有向边，箭头永远从上游指向下游。水不可能自己倒流回去形成循环，所以这张图必须是“有向无环图”，简称 DAG。

DAG 不是从数据里自动长出来的，而是研究者根据领域知识预先画出的假设画布。数据只是用来检验这些假设带来的推论。如果蓝图本身画错，后面所有的因果计算都会失去依据。DAG 的价值在于把隐性的因果假设显式化：哪些变量是父节点，哪些路径应该存在，哪些不存在。

有了蓝图，我们还能判断条件独立性。如果想知道在固定 Z 的信息之后，X 和 Y 之间是否还存在关联，就可以用 d-分离的概念。直观地说，给定 Z 后，从 X 到 Y 的所有管道要么被中间阀门堵住，要么因为碰撞器结构而失去联系，那么 X 和 Y 在图中是条件独立的。

回到管网场景：DAG 上的每条边都是可质疑的假设。数据能帮你淘汰一些明显不合理的蓝图，但它不能凭相关矩阵凭空画出管道。先有蓝图，后有因果，这是整个因果推断的起点。

结构方程模型

蓝图只告诉我们谁连谁，还没告诉我们水位到底怎么变。结构因果模型（SCM）就是给每段管道配上物理公式。水务工程师不会只说“上游影响下游”，还会写清楚：水塔 X 的水位等于多少倍的上游水位加上多少随机扰动。这种“管道转换规则”就是结构方程。

在 SCM 中，每个变量都由两部分决定：它的直接父节点，以及未被写入模型的外生扰动。父节点是图中指向它的那些节点，外生扰动则像暴雨、管道老化、传感器噪声等一切“图纸外”的因素。我们用 \(U_i\) 保存这些外生信息，它们非常重要，因为反事实推理要依赖它们。

SCM 的结构方程可以统一写成下面的形式：

如果 \(f_i\) 是线性函数，结构方程就退化为我们熟悉的线性回归形式，但它的意义截然不同：回归方程描述的是条件期望，而结构方程描述的是物理机制。水塔之间的因果效应，就藏在管道函数 \(f_i\) 的参数里。

do干预

看到水表读数高，和亲手把阀门拧到高位，在因果推断中是两件完全不同的事。前者是“观察”，后者是“干预”。在 SCM 中，观察对应条件分布，干预对应 do 操作。假设我们想强制把 X 固定在某个值 \(x\)，那么原来的管道图必须修改：所有指向 X 的入边都会被剪断，因为外部干预替代了自然机制，只有 X 的出边还保留着。

这个被剪过的管网模型叫 \(M_x\)。在 \(M_x\) 中，X 不再是内生变量，而是一个被外部设定的常数。于是 Y 的分布不再是“看到 X=x 时 Y 的分布”，而是“强制 X=x 时 Y 的分布”，记作干预分布：

回到暴雨的例子：暴雨 Z 会同时影响 X 和 Y，所以“观察到 X 高时 Y 也高”可能只是混杂造成的假象。但 do 之后，暴雨无法再通过 X 传递影响，我们就得到了真正的因果效应。这正是随机对照实验在观测数据中的数学化身。

反事实推理

反事实是因果推断中最具“平行世界”色彩的概念：同一场暴雨、同一段管道老化程度，如果当初把 X 阀门拧到另一个值，Y 的读数会是多少？SCM 保留了每个个体的外生扰动 U，因此我们可以把这些扰动固定住，只改变 X 的取值，重新做一次管道计算。

这个“重演历史”的结果记作 \(Y_{X=x}(u)\)，读作“在外生状态下，把 X 干预为 x 时 Y 的结果”。它不是一个整体均值，而是个体层面的反事实结果。经典的因果推理三步法是：先根据观测数据和结构方程推断出这个个体的外生扰动 U，再执行 do(X=x) 修改结构方程，最后预测 Y 的值。

反事实推理不是“对新人做预测”，而是“对同一个老人重新拍一部电影”。这种个体层面的反事实表达，正是潜在结果框架的数学基础。

潜在结果框架

从反事实记号出发，自然能得到潜在结果框架。每个个体都有两个潜在结果：接受处理时的结果 \(Y_i(1)\)，以及未接受处理时的结果 \(Y_i(0)\)。现实中我们只能观察到其中一个，另一个藏在平行世界里。若把两者的差在全体个体上取平均，就得到平均处理效应。

潜在结果和 SCM 通过一致性条件联系起来：如果个体实际接受了 \(X=1\)，观察到的 Y 就是 \(Y_i(1)\)；如果实际接受了 \(X=0\)，观察到的 Y 就是 \(Y_i(0)\)。这个条件保证我们不会把观察值和反事实值张冠李戴。

潜在结果框架告诉我们：因果推断的困难，不是因为效应不存在，而是因为每个人只有一个可观测结果。DAG/SCM 的价值，就是用结构和干预规则帮我们补上另一条平行世界的数据。

后门准则与识别

在实际数据中，我们通常不能真的做干预，只能靠观测数据识别因果效应。这时需要回答：控制哪些变量，才能让观测估计等价于 do 估计？如果 X 和 Y 之间存在一条“后门路径”，也就是不经过 X→Y 这条前门路径、但有一条边指向 X 的路径，那么混杂就可能通过这条路径溜进来。

后门准则说的是：如果我们能找到一组变量 Z，阻断 X 到 Y 的所有后门路径，并且 Z 不包含 X 的后代，那么通过 Z 进行分层调整，就可以把因果效应识别出来。调整公式如下：

后门准则把因果问题变成了可计算的统计问题。它提醒我们，控制变量不是越多越好，而是要精准地阻断后门路径；否则就像在管网里乱关阀门，可能打开新的泄漏通道。

因果效应估计

当后门调整集 Z 确定之后，下一步就是用数据估计因果效应。在常见的线性 SCM 中，Y 由 X、Z 和噪声线性生成，因此我们可以直接用带协变量的回归来估计。此时回归方程里的 \(X\) 的系数 \(\tau\)，就对应结构方程中 X 对 Y 的因果效应。

需要注意，这里的回归并不是普通的相关回归，而是“带上后门调整集”的结构性回归。只有当 Z 满足后门准则时，\(\tau\) 才等于 \(do(X=x)\) 的效应；否则它只是又一个被混杂污染的相关系数。

估计完成不代表万事大吉。我们还要做敏感性分析：如果存在未观测混杂 U 没有进入 DAG，需要多强的 U 才能推翻当前的结论？这一步就像检查管网图纸是否漏画了一条地下暗管。只有把假设、识别和敏感性分析串起来，SCM 才能真正服务于因果决策。

AI 应用场景

Python 演示

import numpy as np def simulate_scm(n=20000, seed=42):    rng = np.random.default_rng(seed)    z = rng.normal(size=n)              # 外生混杂变量：暴雨    x = 0.8 * z + rng.normal(size=n)    # 处理变量：水压    y = 1.5 * x + 0.6 * z + rng.normal(size=n)  # 结果：漏水    return z, x, y def naive_effect(x, y):    return np.polyfit(x, y, 1)[0] def adjusted_effect(z, x, y):    design = np.column_stack([x, z])    coefs, _, _, _ = np.linalg.lstsq(design, y, rcond=None)    return coefs[0] def do_intervention(z, x_value, seed=1):    rng = np.random.default_rng(seed)    y = 1.5 * x_value + 0.6 * z + rng.normal(size=z.size)    return y.mean() if __name__ == "__main__":    z, x, y = simulate_scm()    print("Naive slope:", naive_effect(x, y))    print("Adjusted slope:", adjusted_effect(z, x, y))    print("E[Y|do(X=1)] - E[Y|do(X=0)]:",          do_intervention(z, 1) - do_intervention(z, 0))

1. z = rng.normal(size=n)生成外生混杂变量 Z，对应管网里的暴雨。
2. x = 0.8 * z + rng.normal(size=n)X 的结构方程：X 受 Z 影响，也带随机扰动。
3. y = 1.5 * x + 0.6 * z + rng.normal(size=n)Y 的结构方程：真实因果效应是 1.5，同时 Z 直接混杂。
4. np.polyfit(x, y, 1)[0]朴素回归只拟合 X 和 Y，会把 Z 的混杂也算进斜率。
5. np.linalg.lstsq(design, y, rcond=None)把 Z 加入回归，等价于后门调整，调整后斜率接近真实值 1.5。
6. do_intervention固定 X 为某个值，再从结构方程生成 Y，得到干预分布下的期望。

常见误区

面试题