在一场热闹的聚会上，小A和小B经常同时出现，朋友圈照片里也总有他俩。你能因此断定“小A喜欢小B”吗？也许他们只是共同朋友多，也许两人都在追求同一位女神——小A在女神面前献殷勤，小B也在女神面前刷存在感，而小A和小B彼此之间却毫无交集。真正的情感侦探都知道：相关不等于动心，方向才是爱情的真相。因果发现（causal discovery）做的正是这件事：从一堆观测数据里，还原“谁在影响谁”的因果网络。其中，基于约束的方法是一套严谨的“侦探工作流”：先用条件独立性检验筛掉虚假关系、画出可疑的关系网；再通过“情敌现形”式的碰撞器结构锁定第一批箭头方向；最后靠“八卦传播”式的推理规则，把剩余方向一个个推出来。这篇文章，我们就跟着这位情感侦探，学会如何从同框记录里严谨地确定因果方向。
方向确定是因果发现从“相关”走向“因果”的关键一跃。掌握它，你才能从数据中得到可解释的因果结论，而不是停留在相关性报表上。
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。
本节配有交互动效（进入视口后自动加载，约 3KB）。
系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T
方向确定概论
作为新上任的情感侦探，你的第一课是：别急着下结论。委托人递来厚厚一沓“社交出席记录”——谁在哪场聚会上出现过。你发现小X和小Z每场必同框，于是兴奋地在报告上写“X喜欢Z”。老侦探摇了摇头：同框只能说明有关联，也许是Z在追X，也许是两人都爱参加同一类活动（共同原因）。在因果发现的世界里，道理一模一样：观测数据里的相关关系，永远无法直接告诉你箭头的指向。
因果发现用有向无环图（DAG）描述变量间的因果结构：X→Z表示X是Z的原因。基于约束的方法（constraint-based methods）是因果发现中的一大流派。它不像评分搜索那样“大海捞针”地找图，而是像侦探一样按证据链推进：先用条件独立检验过滤掉虚假的“同框”，得到一张无方向的骨架，再通过方向确定（orientation）规则给边赋上箭头。
约束方法的理论根基是因果马尔可夫条件（Causal Markov Condition）：给定一个变量的直接原因（父节点）后，它与所有非后代变量条件独立。这等于说：只要你把“真正的心动对象”控住，当事人对其他人的反应就只剩随机波动。这个性质把“数据中的条件独立”与“图中的结构信息”一一挂钩——它既是删边依据，也是方向确定的出发点。
因果马尔可夫条件，就是侦探手册开篇的第一条铁律：想判断一段关系是不是“真感情”，先控制住可疑的中间人。有了这条铁律，你才能在后面的排查中，理直气壮地删掉那些“只是朋友”的边。
- 父节点集合$\mathrm{Pa}(X)$ 表示X的直接原因。在情感比喻里，父节点就是真正让X“心动”的因素。
- 非后代集合$\mathrm{NonDesc}(X)$ 表示除X的后代外所有变量，即不受X因果影响的对象。
- 条件独立$X \perp\!\!\!\perp \mathrm{NonDesc}(X)$ 表示在给定父节点后，X与这些变量统计独立。
- 因果应用若数据发现X与某变量在给定候选父节点下条件独立，则它们之间不存在直接因果边。
骨架构建基础
侦探的第一份实操作业：画关系草稿图。先把所有“怀疑有直接联系”的人两两连一条虚线——不看方向，只看有没有边。这就像警察办案先画嫌疑人关系网：谁和谁有交集先连上，至于谁指挥谁，后面再说。草稿图画得越准，后面破案就越省力。
在因果图里，这张只有无向边的“草稿图”叫骨架（skeleton）。构建骨架的核心工具是条件独立性检验：如果X和Y在给定某个变量集合S后变成独立，就说明X和Y之间没有直接因果边，虚线可以擦掉；如果控制谁都无法让它们独立，这条边就要留住。
技术细节在于如何找条件集S。经典PC算法用“由小到大”的搜索策略：先做0阶（无条件）检验，再把条件集扩大到1个、2个……直到穷尽所有候选。条件独立的定义如下：
回到侦探视角：当你发现“小A和小B总是同框，但只要小C不在场，两人就毫无互动”，就能排除A和B之间有直接的“业务往来”。骨架阶段删掉的边越多，后续定向就越省力——这步做扎实，方向确定就成功了一半。
- 联合条件概率$P(X, Y \mid Z)$ 是给定Z条件下X和Y同时发生的概率。
- 乘积分解$P(X \mid Z) \cdot P(Y \mid Z)$ 表示在Z条件下X、Y各自独立地发生的概率之积。
- 独立性判据等式成立意味着给定Z后X与Y不再互相传递信息。
- 骨架决策找到这样的Z就删除X—Y边，并记录Z为分离集。
碰撞器定向
重大突破！你发现小X和小Y从不一起出现，但每当女神Z在场，两人都会活跃起来——一个抢着搬椅子，一个抢着递话筒。更妙的是，一旦Z不在，两人又回到“互不认识”。你一拍大腿：这不是巧合，这是情敌结构！
因果图里，这种“两个原因共同指向一个结果”的结构叫碰撞器（collider），也叫v-structure：X→Z←Y。它的统计指纹独一无二：X和Y无条件独立，但给定Z后反而条件依赖。原因在于X和Y都影响Z，当你“固定”Z时，X和Y之间就出现了由Z传导过来的信息竞争通道。
这个“独立→依赖”的翻转，是方向确定最关键的实锤。它的形式化表达如下：
老侦探把这招叫作“情敌现形法”：想确认两个看似无关的人是否指向同一个目标，就看看在“目标在场”时他们是否会反常地相关。这第一条箭头一旦落地，后面的方向就能连环解锁。
- 无条件独立$X \perp\!\!\!\perp Y$ 表示两个原因原本独立（情敌互不相识）。
- 条件依赖$X \not\!\perp\!\!\!\perp Y \mid Z$ 表示给定共同结果Z后反而出现依赖（竞争关系暴露）。
- 合取条件$\wedge$ 表示上述两个条件同时成立时触发推断。
- 定向结论$\Longrightarrow$ 推出箭头指向Z，即Z是共同结果。
传播定向规则
有了第一条实锤箭头，剩余虚线边不需要一个个蹲点。职业侦探的杀手锏是“八卦传播”：既然X→Z已实锤，又知道Z和W经常互动、且X与W毫无交集，那么Z指向W几乎是必然——否则就会凭空造出一个与证据冲突的“情敌结构”。
这就是Meek规则（R1–R4）的思想内核。它们把“已知箭头 + 无向边 + 无环约束”组合起来，用排除法为剩余边定向。四条规则中最核心的R1表述为：若X→Y且Y—Z是无向边，且X与Z不相邻，则只能定向为Y→Z。
为什么只能这样？若反着假设Z→Y，那么X→Y←Z就会构成碰撞器。但碰撞器已经在上一阶段被全网扫描过——Y并不是碰撞器。反向假设与已有证据冲突，因此只有Y→Z这一种解释。R1的公式如下：
Meek规则就像朋友圈的八卦推理：“A暗恋B”是实锤，“B和C走得很近”，“A和C根本不认识”——那B指向C还有什么悬念？四条规则合起来，能够完全定向所有可定向的边，构成方向确定的“完备推理机”。
- 已知箭头$X \to Y$ 是已确定方向的边（侦探手上的实锤）。
- 无向边$Y - Z$ 是尚不知道方向、等待定夺的边。
- 不相邻条件$(X, Z \notin E)$ 表示X和Z之间没有边，排除了反向形成碰撞器的可能。
- 传播结论$\Longrightarrow$ 推出Y→Z，方向沿路径向前传递一格。
PC算法解析
现在把侦探的手艺整理成一本标准化办案手册。PC算法（Peter-Clark）是目前最经典的基于约束的因果发现算法，把方向确定拆成三个清晰阶段：骨架发现、碰撞器识别、Meek传播。
第一阶段，骨架发现：算法从全连接图出发，对每对变量做条件独立性检验；每找到一个让X⊥Y|S成立的条件集S，就删除这条边并记录S（分离集），供后续定向使用。搜索遵循“从低阶到高阶”：先查无条件独立，再查1个条件变量、2个……直到穷尽所有候选。
骨架阶段的形式化判据如下：
第二阶段，碰撞器识别：对每个“三节点组”（X—Z—Y且X与Y不相邻），检查Z是否为碰撞器——用分离集判断：如果X⊥Y（无条件）且X不⊥Y|Z，则定向X→Z←Y。第三阶段，Meek规则传播剩余方向。三步走完，能识别的方向全部落袋。PC算法让“情感侦探”从凭直觉断案升级为标准化流水线：骨架发现是全城排查，碰撞器识别是锁定情敌，Meek传播是八卦连锁——可靠、高效、可复现。
- 邻接集合$\mathrm{Adj}(X)$ 是当前骨架中X的所有邻居。
- 候选条件集$S \subseteq \mathrm{Adj}(X) \setminus \{Y\}$ 表示从X的邻居中排除Y后取子集。
- 存在性检验$\exists\, S$ 表示只要存在任何一个这样的条件集使条件独立成立。
- 删边动作满足上述存在性即删除边X—Y，算法进入下一对变量。
马尔可夫等价类
侦探也有认怂的时候。你查清了一条“三角暗恋”：X→Z←Y。可是，另一条链X→Y→Z呢？数据显示X和Y总同框、Y和Z也总同框、X和Z不同框……所有条件独立关系都对得上，但你永远无法用观测数据区分X→Y→Z、X←Y←Z和X←Y→Z这三种解释。这是一桩“数据无法定罪”的悬案。
数学上，这些共享相同条件独立关系的DAG构成一个马尔可夫等价类（Markov equivalence class）。图论给出简洁判据：两个DAG等价，当且仅当它们的骨架相同且碰撞器集合相同。也就是说，方向确定能解决的是“骨架 + 碰撞器”决定的部分，剩下的方向只能悬置。
老侦探会在结案报告里写清楚：“本案箭头已确定到最大可识别程度，剩余方向需补充干预实验或纵向跟踪数据。”在实际输出中，我们用部分有向无环图（CPDAG）表达等价类：可识别的边画成箭头，不可识别的边保持无向。敢于承认不确定性，才是真正专业的因果分析。
- 骨架相同$\mathrm{Skel}(\mathcal{G}_1) = \mathrm{Skel}(\mathcal{G}_2)$ 表示两个图的无向边集合完全一致。
- 碰撞器相同$\mathrm{VStr}(\mathcal{G}_1) = \mathrm{VStr}(\mathcal{G}_2)$ 表示两个图的v-structure集合一致。
- 等价判定$\iff$ 表示上述两个条件同时满足时两图属于同一等价类。
- 方向边界等价类内的方向差异不可识别，只能输出到部分有向图为止。
工程实践挑战
走出教科书，真实委托现场乱象丛生：目击记录只有一小段（有限样本），人群里藏着从未露面的神秘人（潜在混淆变量），而侦探自己还得决定“多像才算可疑”（显著性水平α）。方向确定在真实世界中远没有理论那么优雅。
有限样本下，条件独立性检验的统计功效下降，很容易误删或漏删边：样本越少，检验统计量的方差越大，p值的波动越剧烈。更棘手的是潜在混淆变量：一个没被观测的U同时影响X和Y，会让“条件独立”和“条件依赖”的检验结果失真——明明没有直接边却显示依赖，或者明明有边却被误判为独立。
条件独立性检验的常用统计量之一是基于列联表的G²似然比统计量。它衡量观测频数与“独立假设下期望频数”的偏离程度：
工程上的应对策略包括：样本少时适当放宽α（保守删边）、用BIC等准则校正多重比较、对可疑混淆场景改用FCI等对潜在混淆稳健的算法、以及做参数敏感性分析。方向确定不是一键生成的魔术，而是在噪声中最大化“真相暴露概率”的精细活。
- 观测频数$O_{xyz}$ 是实际数据中(x, y, z)组合的计数。
- 期望频数$E_{xyz}$ 是假设独立条件下应有的理论计数。
- 对数似然比$\ln(O_{xyz} / E_{xyz})$ 度量每个格子的偏离方向与强度。
- 阈值判定$G^2$ 超过临界值时拒绝独立假设，反之则接受独立性。
AI 应用场景
基因调控网络推断
阶段：数据预处理 → 因果发现建模 → 调控关系解析
解决的问题：传统差异表达分析只能列出“哪些基因在肿瘤里高表达”，给不出“哪个基因调控哪个基因”。基于约束方法从基因表达数据中推断调控方向，帮助锁定上游调控子。
具体案例：研究团队用PC算法分析乳腺癌RNA-seq数据，先构建基因共表达骨架，再通过碰撞器识别（两个转录因子共同调控某靶基因），定向出关键调控子FOXA1与靶基因GATA3的上下游关系，为后续功能实验提供候选靶点。
电商转化因果归因
阶段：业务数据采集 → 因果推理 → 增长策略决策
解决的问题：“领取优惠券的客户购买率更高”——是优惠券拉动购买，还是原本就想买的人才领券？相关性分析无法回答，方向确定可以。
具体案例：某电商平台用基于约束的方向确定分析“浏览详情页”“领取优惠券”“下单购买”三者的因果结构，发现“浏览→购买←领券”的碰撞器模式，确认优惠券确实促进了冲动消费，据此优化了发券策略。
工业设备故障根因定位
阶段：传感器时序处理 → 因果结构发现 → 根因诊断
解决的问题：风电机组SCADA系统中，多个传感器（温度、振动、转速）同时告警，传统规则只能报“系统异常”，无法定位根因。约束方法可以从告警数据中定向故障传播路径。
具体案例：工程师将传感器变量离散化后，用约束方法建立告警变量间的因果骨架并定向，锁定“轴承温度”是引发“齿轮箱振动”与“功率下降”的根因变量。维修团队据此优先更换轴承，故障停机时间下降了40%。
Python 演示
"""基于约束方法：方向确定（简化演示） 模拟四变量因果图 X -> Z <- Y 且 Z -> W，完整演示PC算法方向确定三阶段：1. 骨架构建：条件独立性检验删边；2. 碰撞器定向：识别 v-structure；3. Meek 规则传播：沿网络推导剩余方向。"""import mathimport itertoolsimport numpy as np def simulate_data(n_samples=2000, seed=42): """生成 X -> Z <- Y 且 Z -> W 的模拟数据""" rng = np.random.default_rng(seed) x = rng.normal(0, 1, n_samples) y = rng.normal(0, 1, n_samples) z = 0.8 * x + 0.8 * y + rng.normal(0, 0.5, n_samples) w = 0.8 * z + rng.normal(0, 0.5, n_samples) return np.column_stack([x, y, z, w]) def _norm_cdf(x): """标准正态分布累积分布函数（利用 erf）""" return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0))) def partial_corr(data, i, j, cond): """偏相关系数：控制 cond 后 i 与 j 的相关""" cols = [i, j] + list(cond) cov = np.cov(data[:, cols], rowvar=False) try: prec = np.linalg.inv(cov) except np.linalg.LinAlgError: return 1.0 r = -prec[0, 1] / math.sqrt(prec[0, 0] * prec[1, 1]) return float(np.clip(r, -1.0, 1.0)) def cond_indep(data, i, j, cond, alpha=0.05): """Fisher Z 变换条件独立性检验：p > alpha 判独立""" n = data.shape[0] r = partial_corr(data, i, j, cond) r = max(-0.9999, min(0.9999, r)) z = 0.5 * math.log((1 + r) / (1 - r)) denom = n - len(cond) - 3 if denom <= 0: return False p_value = 2.0 * (1.0 - _norm_cdf(abs(z) * math.sqrt(denom))) return p_value > alpha def build_skeleton(data, alpha=0.05): """阶段一：逐级增大条件集的骨架构建""" n_vars = data.shape[1] edges = {(i, j) for i in range(n_vars) for j in range(i + 1, n_vars)} for size in range(n_vars - 1): for (i, j) in list(edges): others = [k for k in range(n_vars) if k not in (i, j)] for cond in itertools.combinations(others, size): if cond_indep(data, i, j, list(cond), alpha): edges.discard((i, j)) break return edges def orient_colliders(data, edges, alpha=0.05): """阶段二：碰撞器定向（X丄Y 且 X不丄Y|Z -> X->Z<-Y）""" directed = set() unoriented = set(edges) nodes = set() for i, j in edges: nodes.add(i) nodes.add(j) for z in nodes: neighbors = [n for n in nodes if (min(n, z), max(n, z)) in unoriented] for (x, y) in itertools.combinations(neighbors, 2): if (min(x, y), max(x, y)) in unoriented: continue if cond_indep(data, x, y, [], alpha) and \ not cond_indep(data, x, y, [z], alpha): directed.add((x, z)) directed.add((y, z)) unoriented.discard((min(x, z), max(x, z))) unoriented.discard((min(y, z), max(y, z))) return directed, unoriented def apply_meek_rules(directed, unoriented, n_vars): """阶段三：Meek规则R1传播（X->Y, Y-Z, X与Z不相邻 => Y->Z）""" changed = True while changed: changed = False for (x, y) in list(directed): for z in range(n_vars): if z == x or z == y: continue if (min(y, z), max(y, z)) not in unoriented: continue if (min(x, z), max(x, z)) in unoriented or \ (x, z) in directed or (z, x) in directed: continue directed.add((y, z)) unoriented.discard((min(y, z), max(y, z))) changed = True return directed, unoriented def main(): data = simulate_data() print("模拟数据：X -> Z <- Y 且 Z -> W（真实结构）") skel = build_skeleton(data) print("① 骨架构建：", sorted(skel)) directed, rest = orient_colliders(data, skel) print("② 碰撞器定向：", sorted(directed)) print(" 剩余无向边：", sorted(rest)) directed, rest = apply_meek_rules(directed, rest, data.shape[1]) print("③ Meek传播后：", sorted(directed)) print(" 最终无向边：", sorted(rest)) if __name__ == "__main__": main()
z = 0.5 * math.log((1 + r) / (1 - r))Fisher Z 变换，把相关系数映射到近似正态分布域，方便算p值p_value > alphap 值大于显著性水平时，判定“没有证据拒绝独立”edges.discard((i, j))找到使 X⊥Y|S 的条件集，果断删除这条边cond_indep(data, x, y, [], alpha)检查无条件独立，对应“情敌是否互不相识”not cond_indep(data, x, y, [z], alpha)检查给定 Z 后是否依赖，对应“女神在场是否暴露竞争”directed.add((x, z))碰撞器确认，定向 x→z，第一枚箭头落地if (min(x, z), max(x, z)) in unoriented确保 X 与 Z 不相邻，排除碰撞器后只能 Y→Z
常见误区
误区刚学完PC算法，觉得只要做一个条件独立性检验，就能立刻知道谁指向谁。跑完代码直接看相关性矩阵就想画箭头。
正解条件独立性检验只能回答“有没有边”，不能回答“指向哪边”。方向确定需要额外的两步：先靠碰撞器拿到第一批箭头，再用Meek规则传播。就像侦探看到两个人经常同框，只能说有关联，不能直接说谁喜欢谁。
为何常见：很多教程把“删边”和“定向”放在同一张流程图里讲，初学者误以为检验本身就输出箭头。
误区骨架里存留的无向边，是不是代表X和Y互相影响（双向因果）？
正解无向边只是“方向未知”，不代表双向因果。在部分有向图（CPDAG）里，无向边指的是“数据无法确定方向”，实际可能是X→Y或Y→X。双向箭头（↔）在因果发现里有另一套语义（通常表示存在未观测混淆），不是一回事。
为何常见：“无向”这个词容易让人联想到“可以双向”，但它其实只是“待定”。
误区模型输出了一些无向边，为了拿到完整DAG，就随便指定方向，或者用“领域经验”强行补全。
正解如果两个DAG属于同一等价类，观测数据在统计上完全无法区分它们，任意选择一个都是一种武断。专业做法是明确输出CPDAG并说明哪些边不可识别，或引入干预数据来打破等价类。
为何常见：下游任务经常需要完整DAG，导致从业者不愿意面对“方向识别不了”的现实。
误区把条件独立性检验的显著性水平固定在0.05，跑一遍PC算法就能得到可靠结果，不管样本多小、潜在混淆是否存在。
正解α决定删边严格程度。样本少时α过小会导致漏删（该删的边没删），α过大导致误删（真边被删）。存在潜在混淆时，标准PC算法的假设被违背，需要FCI等更稳健的方法。实际工程必须做多重比较校正和敏感性分析。
为何常见："α=0.05"是统计学的默认习惯，但因果发现涉及海量检验，直接套用默认值会带来系统性偏差。
面试题
Q1. 基于约束的因果发现方法，其第一阶段输出的核心结果是什么？
- A.完整有向无环图DAG
- B.无向骨架图与边集← 正确答案
- C.变量间相关系数矩阵
- D.马尔可夫等价类列表
答案：B。基于约束方法（如PC算法）第一阶段通过条件独立性检验删边，输出无向骨架。方向确定在后续阶段进行。完整DAG是最终目标而非第一阶段输出，相关矩阵只是中间统计量。
Q2. 碰撞器（v-structure）的统计特征是什么？
- A.无条件依赖，给定Z后仍依赖
- B.无条件独立，给定Z后条件依赖← 正确答案
- C.无条件独立，给定Z后仍独立
- D.无条件依赖，给定Z后条件独立
答案：B。X→Z←Y中，两个原因X、Y在无条件下独立（情敌互不相识），给定共同结果Z后变成条件依赖（竞争关系暴露）。这正是方向确定中最可靠的“实锤”，对应“独立→依赖”的翻转。
Q3. 在PC算法中，“分离集”（separating set）的主要作用是什么？
- A.用于初始化骨架图
- B.供碰撞器定向使用← 正确答案
- C.用于计算变量方差
- D.替代条件独立性检验
答案：B。删边时记录的条件集S就是分离集。定向阶段判断“X⊥Y且X不⊥Y|Z”时，需要知道X与Y之间的边是在什么条件下被删除的，分离集是碰撞器识别的重要依据。
Q4. 以下哪些DAG与 X→Y→Z 属于同一个马尔可夫等价类？
- A.X→Y→Z 与 X←Y→Z← 正确答案
- B.X→Y→Z 与 X→Y←Z
- C.X→Y→Z 与 X←Y←Z← 正确答案
- D.X→Y→Z 与 X→Z→Y
答案：AC。X→Y→Z、X←Y→Z、X←Y←Z具有相同骨架（X—Y、Y—Z）且无碰撞器。X→Y←Z含碰撞器Y，不等价；X→Z→Y的骨架是X—Z、Z—Y，与原骨架不同。
Q5. Meek规则R1的完整表述是哪一项？
- A.X→Y，Y—Z，X与Z相邻 ⇒ Y→Z
- B.X→Y，Y—Z，X与Z不相邻 ⇒ Y→Z← 正确答案
- C.X—Y，Y→Z，X与Z不相邻 ⇒ X→Y
- D.X→Y，Y→Z，X与Z不相邻 ⇒ X→Z
答案：B。若反设Z→Y，则X→Y←Z构成碰撞器。但碰撞器已在上一阶段被全网扫描完毕，Y不是碰撞器，因此反设矛盾，只能定向Y→Z。R1本质是“排除法定向”。
Q6. 关于马尔可夫等价类的正确说法包括哪些？
- A.等价DAG的骨架完全相同← 正确答案
- B.等价DAG碰撞器集合相同← 正确答案
- C.观测数据可区分等价DAG
- D.等价类用CPDAG表示← 正确答案
答案：ABD。C错误——等价类的定义正是“观测数据无法区分”。A、B是等价判据的两个必要条件，D是标准表示方式。方向确定的最终输出上限就是CPDAG。
Q7. 当数据中存在未观测的混淆变量时，标准PC算法的方向确定可能失效，最根本的原因是什么？
- A.条件独立检验直接报错中断
- B.虚假条件独立或依赖致误判← 正确答案
- C.混淆变量会自动删除所有边
- D.只有定向受影响，骨架不受
答案：B。潜在混淆U同时影响X与Y，使X与Y即使没有直接边也显示依赖（虚假相关），或掩盖真实依赖（虚假独立），破坏“独立⇒无直接边”和碰撞器判据的基础。PC算法默认无隐藏变量，此假设被违背时需改用FCI等方法。
Q8. 在方向确定中，显著性水平α的取值偏小时，最容易导致什么问题？
- A.误删真实存在的因果边
- B.保留过多实际独立的边← 正确答案
- C.定向规则将完全失效
- D.骨架构建跳过碰撞器检测
答案：B。α偏小意味着更难拒绝独立性假设，p值更难超过阈值，于是“判为独立”更困难，该删的边没删，骨架保留了过多实际独立的边。反之α偏大则容易误删真边。
Q9. 一份方向确定报告中保留了若干无向边，可能的原因包括哪些？
- A.等价类内方向不可识别← 正确答案
- B.样本量不足以支撑检测← 正确答案
- C.噪声导致检验不显著← 正确答案
- D.算法代码必然写错了
答案：ABC。无向边可能是马尔可夫等价类内的本质不可识别（A），也可能是样本量小导致检验功效不足（B），还可能是噪声使条件依赖检验不显著（C）。D是操作层面的工具问题，不属于方法论上的合理原因。
Q10. 给定三变量X、Y、Z的观测数据，若检验发现X⊥Y，且X不⊥Y|Z，方向应如何确定？
- A.定向为X→Y链式结构
- B.定向为Y→X分叉结构
- C.定向为X→Z←Y碰撞结构← 正确答案
- D.无法给出任何方向判断
答案：C。无条件独立加上条件依赖的“翻转”，是碰撞器的标志性指纹，方向只能是X→Z←Y（Z是X和Y的共同结果）。A、B都是链式/分叉结构，不具备这种统计特征。