外生与内生变量：一张因果地图，分清“天意”与“手笔”

可视化演示

展示结构因果模型SCM中外生变量与内生变量的划分，外生变量由模型外部决定无父节点，内生变量由结构函数与父节点决定，直观理解因果图的变量类型。

基本定义——分清两类变量

小王把影响销量的因素分成两栏：左边写“天气、季节、市政修路”，右边写“促销、新品、客单价”。每当他试图解释销量，左边的变量像天气预报一样凭空出现，右边的变量则来自店里的决策链条。他感慨，左边是写进剧本的“天意”，右边是自己书写的“手笔”。

在因果推断里，这两种角色有准确的名字。外生变量（exogenous variable）指成因在系统之外、不由模型解释的变量；内生变量（endogenous variable）指由系统内部其他变量生成、能够被模型解释的变量。名字听着高深，判断方法却非常直观：看这个节点有没有“入边”。

把系统画成有向无环图（DAG），每个变量是一个节点，每条箭头代表直接因果。如果一个节点没有任何箭头指向它——没有父节点——它一定是外生变量；一旦有至少一条箭头指向它，它就是内生变量。箭头指向，意味着它的取值有一部分由系统内部决定。判断时不用关心变量在回归方程左边还是右边，只看它在因果图中的位置。

小王找来一张纸，把所有变量画成带箭头的因果图。他先圈出没有任何箭头指入的“季节”和“天气”——它们从系统外空降而来；再圈出被箭头命中的“促销”和“销量”。这趟“圈点”让他第一次拥有了清晰的因果地图，也让他意识到：之前把促销当“完全由自己控制”的变量，实在太小看系统的复杂性了。

结构因果模型——三件套搭建系统

想让预测更可靠，只画箭头还不够。小王还需要知道：这些箭头背后究竟藏着什么规律。就像一份菜谱写明了“步骤”和“用量”，因果结构也要明确“谁被谁生成”。结构因果模型（Structural Causal Model, SCM）就是这套“系统菜谱”。

SCM 用三元组 \( M=(U,V,F) \) 描述一个系统。\( U \) 是所有外生变量的集合，\( V \) 是所有内生变量的集合，\( F \) 是结构方程的集合——每个方程描述一个内生变量如何由它的父节点和外生扰动生成。给定外生变量的分布 \( P(U) \) 和结构方程 \( F \)，系统会像多米诺骨牌一样依次生成所有内生变量的取值。

小王把咖啡店的规律写成方程：“销量 = 促销系数 × 促销 + 季节系数 × 季节 + 随机扰动”。这一下，他把“天意”的输入和“手笔”的输出组织成了一条清晰的因果流水线，也明白了模型并不是“一堆数据的拟合”，而是一份关于世界如何运转的假设。

外生变量特性——不受管制的输入

想象你把一颗石子投进池塘，涟漪会一圈圈散开，但涟漪不会反过来改变你投石的手。外生变量就好比“投石的手”——它影响系统，却不受系统影响。在因果图中，外生变量是没有入边的节点，是因果链条的起点。

外生变量有两个重要特性：第一，它在模型中不可解释，系统不会生成它；第二，它的分布是模型的输入，不是模型的输出。哪怕你观测到的是“雨天”，模型也无需解释为什么下雨。这一点看似简单，却在因果推断中极其关键——因为不受系统内部反向因果影响的变量，才能充当识别因果效应的“锚点”。

特别提醒：外生变量不一定是可观测的。\( U \) 常用来代表不可观测的噪声与潜变量，而“天气”是可观测外生变量的例子。小王在图上标出“季节”和“天气”后，意识到它们像两盏永不熄灭的探照灯：从外部照进店里，把每个角落都照亮，而店里无论怎么摆弄，都无法照向它们。

内生变量特性——系统内生的果

与探照灯相对的，是店里那台咖啡机的出液管——只要按下按钮，咖啡就从机器内部流出来；但出液管从不决定按钮按不按。内生变量就是这台咖啡机的出液管：它由系统内部因果生成，是“被解释”的那一方。

内生变量的定义是：至少有一个父节点，取值由结构方程生成。值得注意的是，内生变量绝不只是“最终结果 \( Y \)”。中间变量、处理变量 \( X \) 也往往是内生的。只要一个变量在系统内被其他变量影响，它就是内生变量。这一点常被初学者忽略，却恰恰是因果推断最难也最有趣的地方。

小王突然明白，自己常以为“销量才是内生变量”其实只说对了一半——促销、陈列、定价全都在系统之内互相牵动。理解了这点，他才明白为什么不能把促销当“免费的解释变量”：它本身也被季节推着走。内生变量不是一种身份，而是一种处境。

混杂与伪相关——被外生变量欺骗

小王把一年的数据拉出来，发现“促销力度越大，当月销量反而越低”。他吓得差点撤掉所有活动。直到他把季节拆开看才发现：夏天人们本来就不爱喝热咖啡，而他又偏偏在夏天疯狂促销。两件事恰好撞在一起，让他误以为促销有害。

这正是典型的混淆现象。季节 \( Z \) 同时影响促销 \( X \) 和销量 \( Y \)，构成了一条从 \( X \) 到 \( Y \) 的后门路径 \( X \leftarrow Z \rightarrow Y \)。即使 \( X \) 对 \( Y \) 没有任何因果作用，只要 \( Z \) 存在，观测数据里也会出现 \( X \) 与 \( Y \) 的相关。这个被 \( Z \) “绑架”出来的相关，就是伪相关。

小王后来学会了“分层看数据”：先按季节分组，再比较促销效果。结果发现，在每个季节内部，促销其实稳稳地提升了销量。他笑着说：差点被外生变量联手带偏。原来数据不会说谎，但混淆会。

因果识别方法——后门准则与工具变量

如果我们想知道“按下按钮，咖啡机到底出多少咖啡”，最直接的办法是随机按按钮、排除其他因素干扰。但现实中我们不一定总能做随机实验，这时就需要一条数学版的“分身法”：通过控制混淆变量，模拟出做实验的效果。后门准则（backdoor criterion）就是这种分身法。

后门准则告诉我们：如果存在一个变量集合 \( Z \)，它阻断了 \( X \) 到 \( Y \) 的所有后门路径，并且 \( Z \) 不包含 \( X \) 的后代节点，那么可以用下面的调整公式估计因果效应：

除了后门调整，还有两条常用的识别策略。其一是工具变量法：找一个外生变量 \( Z \)，它只通过 \( X \) 影响 \( Y \)，用它充当“自然实验”的开关；其二是随机实验：直接切断所有指向 \( X \) 的箭头，让干预分布退化为普通条件分布。这两条路都深深依赖“外生性”这一假设——没有外生变量做支点，就很难撬动因果。小王没有真的给顾客做实验，但他用“按季节分组比较”的办法打开了后门，让真相走进来。

工程实践应用——从因果图到代码

图纸画得再漂亮，也得落到货架上。小王决定把因果地图变成日常分析流水线：画图、确定内外、找后门、做分层、复查。每一步都不难，但缺一不可。这也是算法工程师在真实项目中落地因果推断的标准动作。

工程上，第一步先和业务方一起把假设画成 DAG，标注哪些是外生、哪些是内生；第二步收集外生变量数据，比如天气、节假日、宏观指标；第三步用分层或回归估计因果效应；第四步做敏感性分析——如果遗漏了某个不可观测的混淆变量，结论会不会翻转？

这套流程后来成了小王每周的固定动作。他欣慰地说：分清天意与手笔，不是为了认命，而是为了在因果的灯塔里，做出真正有效的决策。对数据科学家而言，这就是从“描述现象”跨越到“指导行动”的关键一步。

AI 应用场景

Python 演示

import numpy as np rng = np.random.default_rng(42)n = 4000 # 结构因果模型: Z(外生) -> X(内生), Z -> Y, X -> YZ = rng.normal(0, 1, n)                # 季节强度(外生变量)X = 0.8 * Z + rng.normal(0, 0.8, n)    # 促销力度(内生变量, 受季节影响)Y = 2.0 * X + 1.2 * Z + rng.normal(0, 1.0, n)  # 销量(内生变量, 真实效应=2.0) def ols(y, xs):    """最小二乘回归, 返回系数(第一个是截距)"""    A = np.column_stack([np.ones_like(y)] + xs)    beta, _, _, _ = np.linalg.lstsq(A, y, rcond=None)    return beta # 看错: 只拿促销解释销量(忽略季节)b1 = ols(Y, [X])[1]print(f"未控制混杂: 促销系数 = {b1:.3f}") # 看对: 用后门准则控制外生的季节变量b2 = ols(Y, [X, Z])[1]print(f"控制季节后: 促销系数 = {b2:.3f}")print("真实因果效应 = 2.000")

1. Z = rng.normal(0, 1, n)生成外生的季节强度，完全由系统外分布决定，没有任何父节点
2. X = 0.8 * Z + rng.normal(0, 0.8, n)促销力度受季节影响，因此它是有入边的内生变量
3. Y = 2.0 * X + 1.2 * Z + rng.normal(0, 1.0, n)结构方程：销量由父节点促销和季节及外生噪声共同生成
4. def ols(y, xs):封装最小二乘回归，返回包含截距的系数向量
5. b1 = ols(Y, [X])[1]只看促销与销量，忽略季节这个共同父节点，得到有偏的“伪因果”
6. b2 = ols(Y, [X, Z])[1]把外生变量季节放入回归，阻断后门路径，估计值接近真实的 2.0

常见误区

面试题