因果推断do-calculus三大规则

可视化演示

展示因果推断do-calculus三条规则如何通过修改因果图结构实现观察插入删除、行动观察交换与干预删除，点击步骤切换不同规则演示。

因果图语言

想象小美站在甜品店的厨房里，把面包机开动前的一切画成了一张图：顾客天生对甜味的偏好（Z）会影响她撒糖的手抖程度（X），也直接影响顾客对甜品的喜爱（Y）；而糖量（X）又通过甜度影响满意度（Y）。一张图，三个箭头，箭头永远从原因指向结果。

这样一个由节点和有向边组成、且没有环路的图，在统计学家眼里叫“有向无环图”（DAG），在因果推断里它叫因果图。因果图的威力在于：它不仅描述数据长什么样，还编码出数据背后的产生机制。如果说普通的数据表是一场电影的结果，那么因果图就是拍摄这场电影的剧本，节点是演员，箭头是演员之间的对手戏。

在因果图上，每个变量只直接依赖它的“父节点”（指向它的那些节点）。因此，所有变量的联合分布可以按图的结构分解成一系列条件概率的乘积，这被称为马尔可夫因子分解：

小美的配方流程图就是这张因果图。她每问一个“如果多加糖会怎样”的问题，都必须回到这张地图上找路线——这就是 do-calculus 开始的地方。

do算子引入

小美发现，光翻订单记录（观察）分不清糖量与满意度的关系，于是她走进厨房做实验：主动把每份甜品的糖量固定在 5 克。这一举动在因果图上意味着什么？它意味着“顾客口味偏好→糖量”的箭头被她亲手剪断了——不管顾客爱不爱甜食，糖量都已是定值。这就是干预，记作 \(do(X = x)\)。

观察与干预的根本区别就在这里：观察时，糖量是自然波动的结果，受各种原因摆布；干预时，糖量是实验者的决定，不再接受任何原因的影响。用统计语言说，观察分布 \(P(y \mid x)\) 回答的是“看到你加糖时顾客有多满意”，而干预分布 \(P(y \mid do(x))\) 回答的是“我强迫你加糖时顾客有多满意”。

在因果图上，把 do 操作翻译成图的变换，就是删除所有指向 X 的边，然后对剩余的图重新做因子分解。这个操作叫做“截断因子化”：

小美看着被剪断的箭头会心一笑：现在糖量成了她手中的“提线木偶”，与顾客的口味偏好彻底绝缘。可实验成本太高，她不可能每天给所有顾客做对照实验。于是，她需要一套规则，把干预分布悄悄“换算”回观察分布。

规则一删插

小美在做实验时多留了一个心眼：她记录下了每份甜品有没有撒糖霜装饰（变量 Z）。事后分析发现，只要知道了糖量和顾客的过敏史（W），撒不撒糖霜对满意度不提供任何额外信息——糖霜只是视觉装饰，不影响口味。她心想：这个“装饰变量”能不能直接从公式里删掉？反过来，如果下次实验忘了记录它，能不能事后补进公式里？

答案是肯定的。这就是 do-calculus 规则一：插入/删除干预操作。它的正式表述是：在干预后的图 \(G_{\overline{X}}\)（即删除了所有指向 X 的入边的图）中，如果 Y 与 Z 关于 \(X \cup W\) 条件独立，那么 Z 就可以在给定 \(do(x), w\) 的条件下被自由加入或移出：

小美长舒一口气：原来“装饰变量”可以像便利贴一样贴上或撕下，只要它在干预后的地图上不与结果直接相连。规则一给了她第一把手术刀——整理多余观察变量。

规则二交行

现在小美面对一个更棘手的问题。她想评估“给所有顾客都发高糖甜品”（do(Z=高糖)）的效果，但手头只有观察数据。她回忆起自己的实验：在实验室里，她亲手决定糖量（do），而在记录中，她只是“看到”顾客点了高糖（z）。这两种状态，能不能在特定条件下互换？

规则二给出了明确的交换条件：在删除了指向 X 的入边、同时删除了从 Z 出发的出边的图 \(G_{\overline{X}\underline{Z}}\) 中，如果 Y 与 Z 在给定 \(X, W\) 时条件独立，那么干预 \(do(z)\) 与观察 \(z\) 在概率上完全等价：

小美把规则二记在小本本上：想用观察数据冒充实验数据，必须先确认“干预对象”到“结果”之间没有任何隐藏的后门。只要满足条件，“看到顾客点高糖”和“亲手给顾客上高糖”在统计上就是同一种状态——这是第二把手术刀。

规则三删干预

小美还发现一个有趣的现象：她在实验记录里有一项“给蛋糕插上小旗子”（do(Z=插旗)）。插旗是为了拍照好看，与顾客的满意度没有任何因果连接——既没有直接箭头指向 Y，也没有通过其他变量拐弯抹角地影响 Y。她心想：这个干预操作，能不能整个丢掉？

规则三做的就是这件事——删除干预操作。它的前提条件是：在删除指向 X 的边、且删除所有与 W 无关的 Z 节点的入边/出边的图 \(G_{\overline{X}\overline{Z(W)}}\) 中，Y 与 Z 在给定 \(X, W\) 时条件独立，那么 \(do(z)\) 就可以从表达式中完全消失：

小美把第三把手术刀放回工具盒：有些干预操作纯属“形式主义”，当它们与结果之间没有任何可到达的路径时，删掉它们反而让分析更清爽。三条规则至此到齐——增删观察、交换观察与干预、删除多余干预，三把刀配合使用，就能逐步把干预分布化简为观察分布。

效应识别应用

有了三把手术刀，小美开始回答最初的问题：“如果强制所有人都吃高糖甜品，满意度会怎样？”她回到因果图：Z（口味偏好）→ X（糖量）、Z → Y（满意度）、X → Y。直接看观察数据，X 和 Y 的关联混入了 Z 的干扰。她想到了一个经典套路——后门准则。

后门准则的核心思想是：如果存在一组变量 Z，阻断了 X 到 Y 的所有“后门路径”（那些从 X 出发绕回去指向 Y 的路径），那么通过对 Z 做加权平均，就能把混杂效应剔除：

后门不是唯一出路。当后门路径无法完全阻断时，前门准则派上用场：寻找一个完全中介变量 Z（X → Z → Y），先估计 X 对 Z 的效应，再估计 Z 对 Y 的效应，最后合成：

小美终于拿到了答案：原来“多吃糖”对满意度的真实因果效应，与表面看起来的关联大不相同。后门与前门准则，本质上都是三条规则在特定图结构下的“快捷公式”——它们不是新魔法，而是 do-calculus 的应用范例。

do计算完备性

小美不禁追问一个终极问题：这三条规则够用吗？会不会存在某个因果效应，无论我怎么组合三把手术刀都化不出来？这个问题在 2006 年被 Shpitser 和 Pearl 彻底解答，答案是一枚定心丸：完备性定理。

完备性定理的断言是：如果一个因果效应在给定因果图上“原则上可识别”（即观察数据中蕴含足够信息），那么就一定存在一个 do-calculus 的推导序列，把它化简为纯观察表达式。反过来，如果三规则都推不出来，那它本质上就是不可识别的：

不过，完备并非万能。如果因果图中存在未观测的混杂变量，且结构上无法用三规则绕开，效应就是不可识别的——再高明的推导也变不出数据里没有的信息。小美把这记在心里：do-calculus 是强大的手术刀，但它不能凭空造出器官，只能把已有的器官重新缝合。

AI 应用场景

Python 演示

"""do-calculus 三规则适用性检查演示在给定因果图上验证规则一、规则二、规则三的前提条件"""import networkx as nx  def build_demo_graph():    """构建示例因果图: Z->X, Z->Y, X->Y"""    G = nx.DiGraph()    G.add_edges_from([("Z", "X"), ("Z", "Y"), ("X", "Y")])    return G  def delete_into(G, nodes):    """删除指向 nodes 中所有节点的边, 即 G_X 操作"""    GG = G.copy()    for n in nodes:        for p in list(GG.predecessors(n)):            GG.remove_edge(p, n)    return GG  def delete_from(G, nodes):    """删除从 nodes 中所有节点出发的边, 即 G_Z 操作"""    GG = G.copy()    for n in nodes:        for c in list(GG.successors(n)):            GG.remove_edge(n, c)    return GG  def rule1_holds(G, X, Y, Z, W):    """规则一: P(y|do(x),z,w) = P(y|do(x),w)"""    Gx = delete_into(G, X)    return nx.d_separated(Gx, set(Y), set(Z), set(X) | set(W))  def rule2_holds(G, X, Y, Z, W):    """规则二: P(y|do(x),do(z),w) = P(y|do(x),z,w)"""    GG = delete_into(G, X)    GG = delete_from(GG, Z)    return nx.d_separated(GG, set(Y), set(Z), set(X) | set(W))  def rule3_holds(G, X, Y, Z, W):    """规则三: P(y|do(x),do(z),w) = P(y|do(x),w)"""    GG = delete_into(G, X)    GG = delete_into(GG, Z)    return nx.d_separated(GG, set(Y), set(Z), set(X) | set(W))  def main():    G = build_demo_graph()    X, Y, Z, W = ["X"], ["Y"], ["Z"], set()    print("规则一适用:", rule1_holds(G, X, Y, Z, W))    print("规则二适用:", rule2_holds(G, X, Y, Z, W))    print("规则三适用:", rule3_holds(G, X, Y, Z, W))    print("后门调整为:", "sum_z P(y|x,z)P(z)")  if __name__ == "__main__":    main()

1. G.add_edges_from([("Z", "X"), ("Z", "Y"), ("X", "Y")])用三行边搭起小美的配方流程图：口味偏好、糖量、满意度。
2. def delete_into(G, nodes):实现 do 干预的核心动作：剪断所有指向干预节点的入边。
3. GG = delete_from(GG, Z)规则二需要的第二刀：再删掉从 Z 出发的边，制造“观察等于干预”的场景。
4. nx.d_separated(Gx, set(Y), set(Z), set(X) | set(W))调用 networkx 的 d 分离检查，验证独立性前提是否成立。
5. print("规则二适用:", rule2_holds(G, X, Y, Z, W))输出三规则的适用结果，确认哪把手术刀能用。

常见误区

面试题