do-演算：干预do算子

可视化演示

从观察到干预

小王盯着档案：黄车事故率 4%，红车 10%。他几乎要写报告建议全国改喷黄漆。但老李指着另一列数据：黄车司机平均驾龄 12 年，红车司机只有 3 年。经验丰富的司机偏爱低调的黄车，新手更爱张扬的红色。于是车色与事故率之间，被“驾驶经验”这根看不见的线暗中牵着走。这种“第三者牵线”的变量，就是混杂因子——它让数据呈现出虚假的相关。

统计学里，我们习惯写 P(Y|X)，表示“看到 X 时 Y 的分布”。但 P（事故 | 黄车） 是“看”出来的相关，它混进了司机的挑选偏好。要得到车色对事故的纯粹作用，需要一种新记号：do，代表“动手改变”，而不是“坐下观察”。小王提议的“全市刷黄漆”如果真做，就是一次干预 do（车色 = 黄）。两者对比如下：

明白了观察与干预的区别，小王的报告就不敢乱写了。真正的结论要靠“动手改”来验证——这也是接下来 do 算子正式登场的舞台。

do算子定义

要执行 do（车色 = 黄），小王得“夺过方向盘”。在因果图上，这等于把“驾驶经验 → 车色”这条边剪断，然后亲手把车色固定为黄色。边一断，无论司机是新手还是老手，车色都不再跟随驾驶经验变化——经验再也推不动车色了。

形式化地说，do(X=x) 是一个干预算子。它输入一张因果图 G，输出一张新图 G_do(X=x)：删除所有指向 X 的边，把 X 设为常数 x。X 原本的父亲们（经验、预算、审美偏好）全部“失业”。干预后的联合分布叫干预分布：原来的世界是 P（经验，车色，事故） = P（经验） × P（车色 | 经验） × P（事故 | 车色，经验）；干预后，P（车色 | 经验） 这一项被撕掉，换成“车色恒等于黄”这个铁的事实。

回到黄车案：do（车色 = 黄） 之后，驾驶经验再也不能影响车色，车色从“被经验支配的随机变量”变成了“被实验者钉死的常数”。这一步手术，是 do 算子区别于一切普通统计操作的本质。

因果图手术

剪刀落在哪里？只剪入边，不剪出边。车色仍然可以影响事故率——这正是我们要测量的因果通道；被删掉的只是从父亲节点伸进来的“历史羁绊”。驾驶经验不再能挑选车色，但车色依然能对事故率发号施令。这是图手术的第一条铁律：入边全删，出边保留。

初学者总问：为什么不把所有边都剪了？因为那样车色就同时失去了影响事故率的出边，我们测的就不再是“车色对事故的影响”，而是“一个孤岛变量对世界的扰动”。手术的精髓在于：只斩断“被决定”的历史，保留“去决定”的未来。手术后，整个世界从联合分布的角度看，发生了精确的改变——这就是截断因子分解：

手术台上，剪刀的方向决定了因果的方向。切掉入边、保留出边，小王终于看清：车色对事故的那条直路，其实只有微不足道的贡献——那些吓人的事故率差距，几乎全是从“经验”这条暗线漏进来的。

识别方法

手术说起来痛快，但现实里没有人会批准“把全市车都刷成黄色”的实验。能不能只靠观察数据，把干预效果“算”出来？后门准则就是这台时间机器：找到一块能阻断所有后门路径的变量集合 Z。

什么是后门路径？从 X 到 Y 的任何一条路，如果第一步是“逆向”的（X ← …），中间没有对撞子阻断，它就是后门路径。黄车案里，X ← 经验 → Y 就是一条典型的后门路径：经验同时推着车色和事故走。把经验分层，就能在每一层里“冻结”经验的干扰。数学上，这就是后门调整公式：

如果混杂因子观测不到呢？Pearl 还准备了前门准则：例如吸烟 X → 焦油沉积 M → 肺癌 Y，焦油可以被测量，即使基因混杂不可观测，也能先算 X 对 M 的效应、再算 M 对 Y 的效应，“绕路”推出因果。回到黄车案：如果我们观测不到驾驶经验，但能量到“行车稳定度”，同样可以走前门绕行。后门是“堵住暗线”，前门是“绕道直路”。有了这两把钥匙，小王不用真的刷黄全市的车，也能算出“强制黄车”的效果。

实际应用

小王调任之后，“黄车之谜”的经验传遍了决策圈：凡是“要不要强制改变”的问题，都不能只看历史相关。政策、医疗、商业，处处需要 do 算子这把手术刀。

政策评估。某市想治理拥堵，推出单双号限行。历史数据显示限行日拥堵指数反而更高——因为拥堵严重的日子才触发限行，这是逆向因果。用 do（限行 = 1） 切断“拥堵 → 限行”，再对天气、节假日做后门调整，才算出真正的治堵效果。

医学研究。观察数据里吃药的人头痛更少，但也许只是头痛的人躲着药走。do（服药 = 1） 配合年龄、病史等后门变量调整，得到逼近随机对照试验的疗效估计，为药物适应症提供真实世界证据。这正是“黄车逻辑”在药片上的重演：服药者和不服药者，从来就不是同一个人。

商业决策。电商弹窗“满 300 减 50”：点击弹窗的用户本来就比平均用户更有购买欲。把“用户意愿”当作混杂 Z，用 do（弹窗 = 1） 做后门调整，得到弹窗真实的因果转化率，产品经理才能决定是否全量推送——否则，一次华丽的 A/B 实验背后，可能只是数据在冒充因果。

黄车之谜的答案，最后写进了一份因果推断报告：强制黄车的事故率只比强制红车低 0.8%，微不足道。小王的“全城刷黄”提案被否决，但 do 算子从此成为决策团队最锋利的武器。从限行到新药，从弹窗到车漆，同一个思想在穿针引线：把“看见相关”升级为“证出因果”。

局限与误区

do 算子不是万能的，它有一份“无能为力清单”。第一，未观测混杂：如果驾驶经验根本测量不到，后门就堵不上，调整公式里就缺少了必需的 Z。第二，干预不可行：你无法 do（天气 = 晴）、do（基因 = 健康），因为现实中不存在可执行的干预机制。第三，图假设依赖：因果图本身画错了，手术再精准也是白费。

还要警惕“纸上干预”与“真实干预”的差距。do 算子在图上删边，假设的是“外部强制不产生新的混淆”。如果强制刷黄车的同时，司机因为被强制而愤怒、开车更猛，那么现实中干预还多了一条“情绪 → 事故”的路径，图模型需要额外建模。工具再锋利，也要知道哪里下不了刀。

此外，do 算子回答的是“群体层面的效应”，而不是算命。反事实之问“如果小王当时没开黄车，他会不会出事？”——do 算子能给总体估计，但针对单个个体的反事实，需要更细致的个体化模型。老李最后告诫小王：承认观察世界的边界，恰恰是因果推断最诚实的地方。

AI 应用场景

Python 演示

"""演示 do 算子: 比较朴素相关与后门调整的因果效应."""import random random.seed(42) # 生成观察数据: Z=驾驶经验, X=车色(1=黄), Y=事故(1=出事)# 经验高的人更爱黄车且事故更少, 形成混杂rows = []for _ in range(8000):    z = 1 if random.random() < 0.5 else 0    x = 1 if random.random() < (0.7 if z else 0.3) else 0    p_y = 0.20 + 0.04 * x - 0.10 * z    y = 1 if random.random() < p_y else 0    rows.append((z, x, y)) def p_y1(x, z=None):    sub = [r for r in rows if r[1] == x] if z is None else [r for r in rows if r[1] == x and r[0] == z]    return sum(r[2] == 1 for r in sub) / len(sub) def do_prob(x):    total = len(rows)    return sum(p_y1(x, z) * sum(1 for r in rows if r[0] == z) / total for z in (0, 1)) naive = p_y1(1) - p_y1(0)ate = do_prob(1) - do_prob(0)print(f"朴素相关 P(事故|黄车)-P(事故|红车) = {naive:+.3f}")print(f"因果效应 P(事故|do(黄车))-P(事故|do(红车)) = {ate:+.3f}")print("解读: 观察相关被驾驶经验夸大, 后门调整还原了车色的真实因果作用.")

1. random.seed(42)固定随机种子，让每次运行的结果都可复现。
2. z = 1 if random.random() < 0.5 else 0生成混杂因子：一半司机经验丰富，一半经验不足。
3. x = 1 if random.random() < (0.7 if z else 0.3) else 0经验高的人更爱黄车，经验低的人更爱红车，构成 X←Z。
4. p_y = 0.20 + 0.04 * x - 0.10 * z定义真实因果机制：车色只有 4% 的微小作用，经验有 10% 的大作用。
5. def p_y1(x, z=None):定义一个条件概率函数，z 为空时是普通相关，z 指定时是层内条件。
6. sub = [r for r in rows if r[1] == x] if z is None else [r for r in rows if r[1] == x and r[0] == z]按处理变量（和层变量）筛选样本。
7. return sum(p_y1(x, z) * sum(1 for r in rows if r[0] == z) / total for z in (0, 1))后门调整的核心：层内效应乘以层权重再求和。
8. naive = p_y1(1) - p_y1(0)朴素相关：直接比较黄车与红车的事故率之差。
9. ate = do_prob(1) - do_prob(0)因果效应：干预分布下的差异，即平均处理效应（ATE）。

常见误区

面试题