周末的早晨，你在“去郊游”和“在家躺平”之间犹豫。天气晴朗的周末，你出去的概率更高，而好天气本身也会让周一的工作心情更好。于是问题来了：周一心情变好，到底是“郊游”的功劳，还是“天气”在悄悄帮忙？如果天气观测站坏了（数据里根本没有天气这一列），你就很难甩开它。但聪明的统计学家发现，可以盯住“运动量”这个中间环节——郊游让人运动量变大，运动量变大又让心情变好。只要把“郊游→运动量→心情”这条链条拆开算，就能绕过天气这个隐形捣蛋鬼。这篇文章就用这个“周末郊游”的故事，把中介变量、直接与间接效应、前门准则和敏感性分析讲明白。

岗位关联

掌握中介分析与前门准则，你就能从“看到相关”升级为“拆出因果路径的贡献”，为特征归因、策略评估和实验分析找到真正可干预的杠杆点——这是 AI 从业者做因果推断的硬核基本功。

目录
  1. 可视化演示
  2. 中介效应基础
  3. 直接与间接效应
  4. 前门准则原理
  5. 前门公式推导
  6. 敏感性分析
  7. 实操应用指南
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示因果推断中前门准则的核心机制，包括因果图结构、前门三条件、中介效应分解和前门与后门准则对比，通过交互式可视化理解因果路径的拆解方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

因果图结构 X为处理变量 M为中介变量 Y为结果变量 X通过M间接影响Y的前门路径

中介效应基础

周末郊游的故事里藏着一个“连环撞球”结构：你按下“去郊游”这个按钮，球先撞到“运动量”，运动量再撞到“心情”；同时“去郊游”这颗球还绕了一条近路，直接撞向“心情”。在这个链条里，“运动量”就是传说中的中介变量——它是夹在原因和结果中间、负责传递因果能量的中间站。中介变量的存在意味着：原因对结果的影响，往往不是一条笔直的线，而是一段有接力赛的路径。

在因果推断术语里，“去郊游”叫处理变量 X，“周一心情”叫结果变量 Y，夹在中间的“运动量”叫中介变量 M。要确认 M 真是中介，需要三条证据同时成立：X 会推动 M（郊游让人动起来）；M 会推动 Y（运动让人心情更好）；并且 X 对 Y 的影响要么全部、要么部分地经由 M 传过去。当三条都满足，我们就可以把 X 对 Y 的总效应（TE）看作两条子路贡献的加和。

把总效应写成公式，就是那个看起来朴素却极其重要的恒等式：总效应 = 直接效应 + 间接效应。直接效应（DE）是郊游不通过运动、直接由明媚阳光带来的那部分愉悦；间接效应（IE）是郊游先改变运动量、运动量再改变心情的那部分贡献。因果推断的核心任务之一，就是把这个“总”拆成“直接”与“间接”两块，并分别给出它们的估计与置信区间。

回到郊游的例子：你只需要事先想清楚“运动量”确实处在“郊游→心情”这条因果链上，然后就能把一次郊游的总幸福分成“晒太阳的直接幸福”和“运动的间接幸福”。分清楚这两笔账，后续的干预决策才不会抓瞎。

TE=DE+IE\displaystyle TE = DE + IE
这个公式说明：一个原因对结果的总影响，可以拆成“不走中间站”和“走中间站”两条路径的贡献之和。它是后面所有中介分析方法的基石。
  1. 总效应 TE处理变量 X 对结果变量 Y 的总体平均因果影响，相当于“郊游 vs 不去郊游”带来的心情差异。
    TE\displaystyle TE
  2. 直接效应 DEX 不经过 M、直接施加给 Y 的那部分影响，如同郊游的阳光和空气直接让人开心。
    DE\displaystyle DE
  3. 间接效应 IEX 先作用于 M、M 再作用于 Y 的那部分贡献，如同郊游通过增加运动量来改善心情。
    IE\displaystyle IE
  4. 总和恒等式把两条路径加起来就是总账，这是中介分析能够“拆账”的根本依据。
    TE=DE+IE\displaystyle TE = DE + IE

直接与间接效应

想象两座城市：出发地 X，目的地 Y。有两条路线：一条红色直达专线，不经过任何中间站，对应直接效应；一条蓝色经转线，要在中间站 M 停靠换乘，对应间接效应。两趟车的总里程加起来，正好等于“一趟直达全程”的里程。这里的“里程”，对应统计学家眼里的回归系数——测量每一步影响有多大的刻度。

在线性回归的世界里，拆解直接与间接效应只需要跑三个方程：第一个方程用 X 预测 M，得到系数 a，它衡量“郊游每增加一个单位，运动量增加多少”；第二个方程同时用 X 和 M 预测 Y，得到 X 的系数 c'（直接效应）和 M 的系数 b；第三个方程只用 X 预测 Y，得到总效应 c。三个方程拼在一起，就得到中介分析的“黄金恒等式”。

这里要特别提醒：这个分解在“没有未观测混杂、关系是线性且无交互”的前提下才严格成立。如果存在隐藏的天气 U，直接回归得到的 c 会带着偏倚，这也是为什么后面要请出前门准则。

用 GPS 的比喻来收尾：红色直达车显示“里程 c'”，蓝色中转车显示“里程 a×b”，两段相加正好等于直飞全程 c。你在周末决策时，如果只想通过“增加运动量”来提升心情，就看蓝色那一段；如果你想找一条不依赖运动的路径，就看红色那一段。

c=c′+a×b\displaystyle c = c' + a \times b
总效应 c 等于直接效应 c' 加上间接效应 a×b。在郊游故事里，a 是“郊游让运动量增加多少”，b 是“运动量让心情变好多少”，两者相乘就是“绕道运动”的贡献。
  1. a 路径用 X 预测 M 的回归系数，衡量“郊游每提升一档，运动量提升多少”。
    M=aX+e1\displaystyle M = aX + e_1
  2. b 路径控制 X 后，M 对 Y 的回归系数，衡量“运动量每提升一档，心情提升多少”。
    Y=c′X+bM+e2\displaystyle Y = c'X + bM + e_2
  3. c 路径不控制 M，直接用 X 预测 Y 的回归系数，得到总效应。
    Y=cX+e3\displaystyle Y = cX + e_3
  4. 间接效应乘积X 通过 M 绕路产生的贡献，等于 a 乘以 b。
    IE=a×b\displaystyle IE = a \times b
  5. 分解恒等式直接效应 c' 加上间接效应 ab，正好等于总效应 c。
    c=c′+a×b\displaystyle c = c' + a \times b

前门准则原理

糟糕，你的天气观测站坏了，手机上没有“天气”这一列数据。此时如果还想用“后门准则”调整 U，就像让一个没有钥匙的人从后门进屋——根本进不去。但别急着放弃，你发现景区入口有一台运动手表记录仪：每个游客进门前都会“滴”一下，运动量 M 被完整记下来了。这就是一扇敞开的前门。

前门准则（Front-Door Criterion）专门处理这种情况：存在不可观测的混杂因子 U（天气），同时影响 X 和 Y；但是我们有一个完全中介 M，把 X 对 Y 的因果影响全部传过去。结构上要求三条：第一，X 对 Y 的所有影响路径都必须经过 M（不能有 X→Y 的直达箭头）；第二，X 到 M 之间没有后门路径（U 不能直接影响 M）；第三，M 到 Y 的所有后门路径都被 X 阻断（给定 X 时，M 与 U 独立）。三条缺一不可，否则前门公式就会算错账。

作为对照，后门准则的思路是“找到可观测的混杂集 Z，在每一层 Z 里比较 X 对 Y 的影响”；前门准则的思路则是“混杂看不见，但中介看得见，于是把拆账分成两步”。后门公式如下，它是理解前门公式的最佳参照系。

前门的名字很形象：你进不了被 U 锁死的后门，但可以堂堂正正从景区正门进去——只要刷运动手表，把“郊游→运动量”和“运动量→心情”两段分别量清楚。天气这个谜，在整场分析里可以全程隐身。

P(y∣do(X=x))=∑zP(y∣x,z)P(z)\displaystyle P(y|do(X=x)) = \sum_{z} P(y|x,z)P(z)
后门公式：把可观测的混杂变量 Z 分层后加权平均。前门准则的特别之处在于：它不需要 Z，只需要中介 M。
  1. 后门变量集 ZZ 是同时影响 X 与 Y 的可观测混杂集合，对应“能观测到的天气记录”。
    Z\displaystyle Z
  2. 分层条件概率固定 X=x 与 Z=z 后，Y=y 的观测概率，这一步等于在每一层天气里做比较。
    P(y∣x,z)\displaystyle P(y|x,z)
  3. 按 Z 加权求和把所有混杂层按其在人群中的分布加权平均，得到消除混杂后的因果效应。
    ∑zP(y∣x,z)P(z)\displaystyle \sum_{z} P(y|x,z)P(z)

前门公式推导

现在把“两步走”落到纸面上。想象你手里有一本厚厚的账本：第一页记着“每个郊游档次对应多少运动量”，第二页记着“每种运动量对应多好的心情”。前门公式就是告诉你这两页账怎么合起来，算出一笔总账——强迫所有人去郊游时，会造成什么样的心情分布。

用数学语言说，我们想要 P(y|do(X=x))，也就是“强制全世界的人都采取行动 x 时，结果 y 发生的概率”。由于 U 不可观测，不能直接写 P(y|x)。但可以走中介：先用 P(m|x) 描述 X 对 M 的推动；再在固定 X 的条件下，用 P(y|x',m) 描述 M 对 Y 的推动——这一步里，X 充当了“门卫”，隔离了 U 对 M→Y 的干扰；最后按 P(x') 把不同的 X 层加权平均，得到 M 对 Y 的无混杂效应。

前门公式之所以成立，关键在于两条条件独立性：其一，X→M 的路径上没有 U 的箭头，因此估计 a 时不需要碰 U；其二，给定 X 之后，M 和 U 条件独立（M ⊥ U | X），因此第二步回归 Y ~ X + M 时，M 的系数 b 不会被 U 污染。完整公式因此是“两步乘积再加权”的形式。

账本合上了：第一步的“郊游→运动量”用 P(m|x) 记账，第二步的“运动量→心情”用内层求和记账，最后把运动量所有档位加权，得到期望心情。天气 U 从头到尾没出现，结论却分毫不差——这就是前门公式的魔法。

P(y∣do(X=x))=∑mP(m∣x)∑x′P(y∣x′,m)P(x′)\displaystyle P(y|do(X=x)) = \sum_{m} P(m|x) \sum_{x'} P(y|x',m)P(x')
前门公式完全不出现 U，却能在 U 存在时给出无偏的因果效应估计。在线性系统中，它会退化成“总效应 = a×b”。
  1. 干预分布do(X=x) 表示“强制所有人都去郊游”，这是因果推断区别于普通回归的关键记号。
    P(y∣do(X=x))\displaystyle P(y|do(X=x))
  2. 第一步效应给定 X=x 时，中介 M 取各值的概率，这是“郊游如何推动运动量”的账页。
    P(m∣x)\displaystyle P(m|x)
  3. 去混杂的 M→Y 效应在相同的 X=x' 条件下，M 对 Y 的平均影响；X 在此充当门卫，隔离 U 的干扰。
    ∑x′P(y∣x′,m)P(x′)\displaystyle \displaystyle \sum_{x'} P(y|x',m)P(x')
  4. 内层标准化权重用 P(x') 给不同的 X 层加权，等价于把“门卫”的混合结构平均掉。
    P(x′)\displaystyle P(x')
  5. 外层汇总把 M 的所有可能取值相加，最终得到“绕过 U 之后”的总因果效应。
    ∑m\displaystyle \sum_{m}

敏感性分析

账算完了，但你心里还悬着一个问题：万一除了天气之外，还有一个没看到的“隐形变量”也在捣乱呢？比如“昨夜睡眠质量”既影响你第二天愿不愿意动、又影响周一心情。前门准则只扛住了 U=天气，扛不住更多藏起来的 U。于是你需要给结论做一次“风洞实验”：人为地假设存在一个隐藏变量，看它要多强才能把你的结论吹翻。

敏感性分析做的事情就是量化“未观测混杂的最大允许强度”。它引入两个参数：γ 表示隐藏变量 U 对 M 的影响强度，δ 表示 U 对 Y 的影响强度（在控制 X 和 M 之后）。两者相乘，就是可能产生的最大偏倚量级。如果这个乘积小得可以忽略，说明结论稳健；如果稍微来一点偏倚结论就反转，说明结论很脆弱。

实际操作中，你并不需要知道 U 到底是什么，只需要在合理范围内扫描 γ、δ 的组合（比如从 0 到 1），观察结论是否翻转。如果翻转所需的 γ、δ 远超领域常识的合理范围，那么可以放心；反之则要警惕。近年流行的 E-value 正是这个思路的标准化版本——它回答“未观测混杂的效应要多大才能把结论解释掉”。

风洞试验没通过的方案，就不该贸然上线。你的“郊游提升心情”结论要写进报告，也得附上一句：“在 γ 和 δ 不超过某阈值时，结论稳定。”这就是让因果结论经得起同行追问的底气。

∣Bias∣≤γ×δ\displaystyle |Bias| \le \gamma \times \delta
偏倚上限等于两个未观测混杂效应强度的乘积。这个公式给了你一把尺子，去量“看不见的变量”到底能造成多大的破坏。
  1. γ 参数U 每变化一个单位时，M 的平均变化量，即隐藏变量对中介的推挤力度。
    γ=E[M∣U=1,x]−E[M∣U=0,x]\displaystyle \gamma = E[M|U=1,x] - E[M|U=0,x]
  2. δ 参数U 每变化一个单位时，Y 的平均变化量，即隐藏变量对结果的推挤力度。
    δ=E[Y∣U=1,x,m]−E[Y∣U=0,x,m]\displaystyle \delta = E[Y|U=1,x,m] - E[Y|U=0,x,m]
  3. 偏倚上限两者相乘得到偏倚的最大量级；乘积越小，结论越不容易被推翻。
    ∣Bias∣≤γ×δ\displaystyle |Bias| \le \gamma \times \delta

实操应用指南

图纸画得再漂亮，最终要落到工地。前面几节是因果推断的“设计图”，这一节讲怎么在真实数据集上把它砌成房子。整个过程就像把周末郊游的调查问卷变成一份可复用的数据流水线。

做一次前门准则分析，第一步永远是画因果图并检查三条结构条件：X 到 Y 必须全部经由 M；X 到 M 无后门；给定 X 后 M 与 Y 无后门。检查不通过时，前门公式不可用，别硬套。数据上需要同时观测 X、M、Y 三个变量，M 要有足够变异性，样本量要支撑分层的概率估计——如果某个 M 档位里样本太少，估计值就会像独木桥一样摇摇晃晃。

标准的落地流程是：先把连续变量按分位数离散化（或用核密度估计），然后用频数表或回归模型估计 P(m|x)；接着估计 P(y|x',m)，可以是分层均值，也可以是有交互项的回归；最后带入前门公式逐层加权，得到每个 x 对应的因果效应，再求差得到效应量。最后一定要补敏感性分析。常用工具包括 statsmodels、DoWhy 以及各种因果图库。报告结果时，中介比例是一个直观的指标。

把“郊游提升心情”的整套分析做成可复用的数据流程：采数、画图、分箱、两步估计、敏感性检验、输出报告。以后任何“X 通过 M 影响 Y”的问题，都能用同一套工序快速出活。

中介比例=a×bc×100%\displaystyle \text{中介比例} = \frac{a \times b}{c} \times 100\%
中介比例回答“总效应里有多大份额是经由 M 传过去的”。它适合做描述性汇报，但不该被当作因果重要性的唯一证明。
  1. 分子间接效应 a×b 的大小，即“绕道 M 的那段贡献”。
    a×b\displaystyle a \times b
  2. 分母总效应 c 的大小，即“从 X 到 Y 的全段贡献”。
    c\displaystyle c
  3. 百分比两者相除再乘 100，得到间接效应占总效应的份额。
    a×bc×100%\displaystyle \frac{a \times b}{c} \times 100\%

AI 应用场景

电商优惠券的“真实拉动”估值

阶段：因果效应估计 / 策略归因

解决的问题：电商想看“发优惠券 X → 复购率 Y”的因果效应。传统 AB 实验周期长、成本高；直接用观测数据回归又会被“大促季节、用户消费力”这类隐藏混杂污染。通过中介 M=“用户活跃度”，用前门公式把“发券→活跃→复购”拆出来，就能得到发券的净拉动。

具体案例：某电商平台在 618 大促前推出满减券，分析师用过去 90 天日志重建 X（是否领券）、M（打开 APP 天数）、Y（30 天复购），用前门调整得到“领券对复购的真实提升是 +3.2%”（小于朴素回归的 +8.7%），据此把预算从全场撒券改成针对高活跃风险用户的定向券。

医疗 AI 的疗效拆解

阶段：可解释性 / 因果归因

解决的问题：药物 X → 康复 Y 之间藏着“生理指标改善”这个中介。患者基础体质 U 不可观测，临床医生想知道药物的直接药理效应和通过生理指标的间接效应各是多少，以决定要不要配合生活方式干预。

具体案例：某二型糖尿病数字疗法研究，X=是否启用 AI 饮食推荐，M=血糖达标率，Y=3 个月糖化血红蛋白下降。用前门公式估计：总效应 0.42%，其中间接效应（通过血糖达标）贡献了 71%，直接效应仅 0.12%。于是产品侧重点转向提升血糖监测的依从性。

推荐策略的“粘性”归因

阶段：模型评估 / 用户增长

解决的问题：推荐策略 X → 付费转化 Y 的直接回归会受用户兴趣强度 U 污染。用中介 M=会话时长拆解，判断策略究竟是“让用户逛得更久再转化”还是“直接命中需求转化”，从而指导优化方向。

具体案例：视频平台把推荐算法改为“多目标优化”后，对观测数据做前门分析显示：总提升 5.1%，其中通过会话时长的间接效应只占 26%，直接命中需求的效应占大头。结论是新算法确实更懂用户，而不是单纯让人耗时间。

Python 演示

python55 行
import numpy as np np.random.seed(42)n = 50000 # 隐藏混杂 U（天气）：同时影响 X 和 Y，但不可观测U = np.random.normal(0, 1, n) # 处理变量 X（是否郊游）：受 U 影响，U 越大越可能去X = U + np.random.normal(0, 0.5, n) # 中介变量 M（运动量）：由 X 决定，且给定 X 后与 U 独立M = 0.6 * X + np.random.normal(0, 0.5, n) # 结果变量 Y（心情）：只由 M 和 U 决定（X 无直接效应）Y = 0.4 * M + 0.8 * U + np.random.normal(0, 0.5, n) # 方法1：朴素回归（有偏，因为 U 混杂 X 与 Y）b_naive = np.polyfit(X, Y, 1)[0] # 方法2：前门准则两步估计（线性情形）# 第一步：估计 X -> M 的路径系数 aa = np.polyfit(X, M, 1)[0] # 第二步：控制 X 后，估计 M -> Y 的系数 bA = np.column_stack([X, M, np.ones(n)])beta, _, _, _ = np.linalg.lstsq(A, Y, rcond=None)b = beta[1] frontdoor = a * b # 方法3：直接验证前门公式（离散化版本）def tercile(v):    q1, q2 = np.percentile(v, [33.3, 66.6])    return np.digitize(v, [q1, q2]) Xd = tercile(X)Md = tercile(M)fx = []for x in [0, 1, 2]:    mask_x = Xd == x    pm = np.bincount(Md[mask_x], minlength=3) / max(mask_x.sum(), 1)    total = 0.0    for xp in [0, 1, 2]:        pxp = (Xd == xp).mean()        for m in range(3):            sub = (Xd == xp) & (Md == m)            if sub.sum() > 0:                total += pm[m] * Y[sub].mean() * pxp    fx.append(total) print("朴素回归(有偏): %.3f" % b_naive)print("前门估计(线性两步): %.3f" % frontdoor)print("前门估计(离散公式): %.3f" % (fx[1] - fx[0]))print("真实总效应: %.3f" % (0.6 * 0.4))
目的：用模拟数据展示“隐藏混杂存在时，朴素回归有偏、而前门准则能恢复真实因果效应”的完整过程。
  1. U = np.random.normal(0, 1, n)生成隐藏混杂 U（天气），它在现实数据中不可观测，但在模拟中我们知道它的真面目。
  2. X = U + np.random.normal(0, 0.5, n)处理变量 X 受 U 影响，这模拟“天气好就更想去郊游”。
  3. M = 0.6 * X + np.random.normal(0, 0.5, n)中介 M 只由 X 决定，且与 U 独立，满足前门准则的第二条结构条件。
  4. Y = 0.4 * M + 0.8 * U + np.random.normal(0, 0.5, n)结果 Y 只受 M 和 U 影响，X 对 Y 没有直接路径，满足前门准则的第一条结构条件。
  5. b_naive = np.polyfit(X, Y, 1)[0]朴素回归把混杂当成因果，得到虚高的系数。
  6. a = np.polyfit(X, M, 1)[0]前门第一步：估计“郊游→运动量”的路径系数。
  7. beta, _, _, _ = np.linalg.lstsq(A, Y, rcond=None)前门第二步：同时放入 X 与 M 做回归，取出 M 的系数 b。
  8. frontdoor = a * b在线性情形下，前门公式退化为“总效应 = a×b”。
  9. total += pm[m] * Y[sub].mean() * pxp直接套用前门公式的离散版本，逐档累加得到 E[Y|do(X=x)]。

常见误区

误区我觉得把 M 放进回归里当控制变量，X 前面的系数自然就是直接效应，这是最直观的做法。

正解在因果推断里，M 不是普通混淆变量。M 是 X 的“结果”，控制它等于把 X 产生的一部分变化人为钳制住，这就是“过度控制偏倚”。更隐蔽的是，如果 M 同时受 X 和某个未观测变量影响，控制 M 还会打开对撞偏倚。正确做法是先画因果图，再决定哪个变量能进回归。

为何常见：大家学回归时习惯了“控制所有相关变量”，把 M 混同于普通协变量，忽略了 M 在因果结构中的“下游”位置。

误区我的数据里有 X、有一个中间变量 M、还有结果 Y，那就可以放心用前门公式了。

正解前门准则对图结构有极强要求：X 对 Y 的影响必须完全经由 M，即不能有 X→Y 的直达路径；同时 X→M 不能有后门，M→Y 的后门必须被 X 阻断。三条缺一不可。如果 X 还存在直接效应，前门公式估计的是“纯中介部分”，而不是总效应。

为何常见：后门调整只要“找到一组可观测混杂”就行，大家容易把前门也当成“万金油”，忽视了结构条件。

误区反正都是做“调整”，前门和后门只是计算方式不同，结果应该差不多。

正解两者解决的问题不同。后门准则要求你能观测到所有必要的混杂集合 Z，然后分层加权；前门准则是在混杂 U 完全不可观测时，靠一个可观测的中介 M 走两步。适用的数据场景、需要的变量、公式形态完全不同。选错了，估计就偏了。

为何常见：都叫“准则”，都长得像“加权求和”，初学者容易把它们划等号。

误区中介比例 (a×b)/c 算出来 80%，那这个中介变量一定是最关键的抓手。

正解中介比例是一个描述性指标，可能超过 100%（当直接效应与间接效应方向相反时）甚至为负。它只反映“在特定模型设定下，间接效应占总效应的份额”，不度量因果重要性本身。要看抓手，还得结合效应的绝对量、置信区间和敏感性分析。

为何常见：百分比天然让人联想到“占比高=作用大”，但中介比例的分母和分子都可能受混杂与模型设定影响。

误区只要敏感性分析显示“结论稳健”，我就不用再担心任何混杂了。

正解敏感性分析只能说明“在合理范围的未观测混杂下，结论不会翻转”。它不能证明没有混杂，更不能替代对结构假设的论证。如果真实世界存在一个远超合理范围的强混杂，结论照样会翻。它更像“压力测试”，不是“免死金牌”。

为何常见：人会本能地给自己找安全感，敏感性分析给出了一个“通过”信号，就容易让人放松警惕。

面试题

Q1. 关于中介变量的准确定义，下列说法正确的是：

单选题 · easy

  • A.它是结果变量之外的任何多余变量
  • B.它位于 X 与 Y 之间因果路径上← 正确答案
  • C.它是混淆变量的一种特殊形式
  • D.它只能在随机对照试验中出现

答案：B。中介变量位于处理变量 X 和结果变量 Y 之间的因果路径上，负责传递因果影响，就像“运动量”传递“郊游”对“心情”的影响。A 太宽泛，C 混淆了中介与混杂，D 错误——观测研究中同样存在中介变量。

Q2. 在总效应、直接效应与间接效应的关系中，正确的是：

单选题 · easy

  • A.总效应等于直接效应减去间接效应
  • B.总效应等于直接效应加上间接效应← 正确答案
  • C.总效应等于直接效应乘以间接效应
  • D.三者之间没有固定的数量关系

答案：B。总效应（TE）被拆成直接效应（DE）与间接效应（IE）两部分，恒有 TE = DE + IE，正如郊游的总幸福等于“直接晒太阳的快乐”加上“运动带来的快乐”。其他选项在标准中介分析中均不成立。

Q3. 前门准则的三个结构条件包括：

多选题 · mid

  • A.X 对 Y 的效应完全经由 M 中介← 正确答案
  • B.X 到 M 之间不存在后门路径← 正确答案
  • C.M 到 Y 的后门被 X 阻断← 正确答案
  • D.Y 必须服从正态分布且样本独立

答案：ABC。前门准则要求：X→Y 的路径必须全部经过 M；X 到 M 无后门；给定 X 后 M 与 Y 之间无后门路径。D 是统计模型假设，不是前门准则的结构条件。这三条就像景区正门的三道闸机，缺一道门都进不去。

Q4. 前门公式内层 Σ_x' P(y|x',m)P(x') 的作用是：

单选题 · mid

  • A.消除 M→Y 路径上可能存在的混杂← 正确答案
  • B.消除 X→M 路径上可能存在的混杂
  • C.把连续变量离散化后再做求和
  • D.把直接效应与间接效应合并

答案：A。内层先固定 X=x'，再对 x' 加权求和，这样 M 对 Y 的效应不会被 X→U→Y 的混杂污染。X 在这里充当“门卫”，隔离 U 对 M→Y 的干扰。B 是第一步 P(m|x) 的任务，C、D 与内层含义无关。

Q5. 前门准则与后门准则的根本差异在于：

单选题 · mid

  • A.前者用贝叶斯方法，后者用频率派方法
  • B.前者允许隐藏混杂，后者要求观测混杂集← 正确答案
  • C.前者适用于连续变量，后者适用于分类变量
  • D.前者估计相对风险，后者估计优势比

答案：B。后门准则必须观测到足够的混杂变量 Z 才能分层加权；前门准则在混杂 U 完全不可观测时，借助中介 M 分两步恢复因果效应。这就像后门需要钥匙（Z），前门只需刷运动手表（M）。其余选项与统计流派、变量类型、效应指标无关。

Q6. 在中介分析中，下列哪些步骤是必要的：

多选题 · mid

  • A.检验 X 对 M 是否真的有影响← 正确答案
  • B.估计 M 对 Y 的路径系数 b← 正确答案
  • C.计算间接效应并给出置信区间← 正确答案
  • D.把 M 当作工具变量做两阶段估计

答案：ABC。中介分析首先确认 X→M 成立，再估计 M→Y 的系数，最后计算 a×b 并给出置信区间。D 是工具变量法的思路，与中介分析无关——工具变量要求 M 与 Y 的关系不被混杂，这与中介变量的定位完全不同。

Q7. 在 X→M→Y 结构中加入 M 作为协变量回归 X 对 Y，可能导致的后果是：

单选题 · mid

  • A.永远消除所有可能的混杂偏倚
  • B.得到比总效应更接近真实值的结果
  • C.由于过度控制而引入新的偏倚← 正确答案
  • D.直接等于全部间接效应大小

答案：C。M 是 X 的结果，把它放进回归等于钳制了 X 的部分效应，这就是过度控制偏倚（overcontrol bias）。不要以为“多加控制变量就更干净”，因果图才是判断依据。A、B 忽视了结构位置，D 与回归系数的语义不符。

Q8. 敏感性分析中 Bias = γ×δ，以下解读正确的是：

单选题 · hard

  • A.γ 是 U 对 X 的效应，δ 是 U 对 M 的效应
  • B.γ 是 U 对 M 的效应，δ 是 U 对 Y 的效应← 正确答案
  • C.γ 是 M 对 Y 的效应，δ 是 X 对 M 的效应
  • D.γ 是样本量的函数，δ 是置信水平的函数

答案：B。在“未观测混杂 U 同时影响 M 和 Y”的威胁下，γ 刻画 U 对 M 的推挤强度，δ 刻画 U 对 Y 的推挤强度，两者相乘给出偏倚上限。这就像风洞测试要同时测量风速（γ）和风向摇摆（δ），才能判断结论会不会被吹翻。

Q9. 关于中介比例 (a×b)/c，下列说法正确的有：

多选题 · mid

  • A.可能超过 100%，甚至为负数← 正确答案
  • B.反映间接效应在总效应中的占比← 正确答案
  • C.比例越大，因果效应一定越强
  • D.等于直接效应与间接效应的和

答案：AB。当直接效应与间接效应方向相反时，中介比例会超过 100% 甚至为负，因此它是“占比”型描述指标。C 错在把比例当强度——比例很大可能是分母很小，不代表效应强。D 描述的是总效应，与中介比例无关。

Q10. 前门准则估计 X→M 的效应无需担心隐藏混杂 U，其根本原因是：

单选题 · hard

  • A.U 与 X 和 M 都完全独立
  • B.因果图中 U 没有指向 M 的路径← 正确答案
  • C.M 是离散变量所以不受 U 影响
  • D.X 到 M 的路径被 Y 完全阻断

答案：B。前门结构条件第二条要求 U 到 M 没有箭头，即 X→M 这条路径上不存在 U 带来的后门，所以第一步估计是干净的。A 太强（U 可以影响 X），C 与变量类型无关，D 张冠李戴——被阻断的是 M→Y 方向的后门，而不是 X→M。