结构因果模型SCM：结构赋值函数

可视化演示

函数定义：一张配方卡

阿芳的私房菜馆灶台边，贴着一张泛黄的卡片：“麻婆豆腐的嫩滑分 = 豆腐含水量 + 0.3×豆瓣酱勺数 + 手气抖动。” 这张卡片规定了因果的“资格”：哪个变量当父亲，哪个变量当孩子，孩子如何被算出来。因果推断中的结构赋值函数，就是给每个内生变量发一张这样的配方卡。

在结构因果模型（SCM）中，每个内生变量 V_i 都拥有一张配方卡，写作：

PA_i 是 V_i 的父节点集合——那些直接影响 V_i 的变量；U_i 是这个变量的外生噪声，代表一切我们看不见的随机与意外；f_i 则是那张配方上白纸黑字的规则。它决定“给定这些原因和意外，结果到底是多少”。

说完这四行，阿芳把卡片翻过来——背面还有一行小字：“先备料，再调味，最后凭手感。” 这恰是赋值函数的工作顺序：父节点与外生噪声先就位，配方再出手，孩子变量应声落地。

函数形式：清蒸、爆炒还是切块

阿芳的菜单从不拘一格：清蒸鱼讲究线性——鱼的新鲜度每涨一分，嫩滑度稳定涨两分；分子料理则非线性——温度超过临界点，口感骤然变化；凉拌菜的“切块”是离散映射——黄瓜大于某个码就切丝，否则切片，没有中间地带。结构赋值函数的写法，决定了因果的强度与方向。

最基础的是线性形式：

β 的符号告诉你方向（正还是负），绝对值告诉你强度（拨动一格 X，Y 动几格）。非线性形式则更贴近现实：

交互项 X1×X2 表示两个原因的搭配效应——比如“好食材×好火候”才能出神作。离散映射用阈值切分：

X 超过阈值 τ，结果就跳成 1，否则是 0。离散函数在决策场景中很常见：是否录取、是否开闸。

选哪种写法？答案是“看机制”。因果关系的形状由现实决定，配方只是把它如实写下来。阿芳不会为了显得高级而做分子料理——她只选能还原食材本真的做法。

确定性机制：同样手气，同样菜

每隔一段时间，阿芳都会做一道“实验菜”：用完全一样的鸡、一样的调料、闭上眼数三秒再揭锅。她说，只要手气一样，这道菜就该是一模一样的。这就是结构赋值函数的确定性：机制本身不掷骰子，随机性全部被赶进外生变量 U 里。

数学上，确定性写成：

给定了父节点 pa_i 和噪声 u_i，v_i 就被唯一钉死。此性质是整个 SCM 的“地基”：正因为函数是确定的，反事实推理才有意义——否则“如果换了 X”就无从算起。变量间的随机起伏全部来自 U 的分布，而不是函数本身。

阿芳常说：“配方不说谎，说谎的是手气。” 这句话揭开了因果模型中概率论的底牌：不确定性不是机制失效，而是手气的分布尚未摸清。

因果效应计算：算一笔“如果”的账

阿芳最常被追问的问题：“要是上次用了土鸡，这道菜会不会更好吃？” 这是反事实问题，也是因果效应计算的核心。把“用土鸡”设为干预 do(X=新值)，结构赋值函数就有大用：删掉 X 原本的配方，直接把它固定成干预值，再让其他变量按原配方运转，就能推演“如果”世界。

因果效应的标准表达式：

这个式子把“干预后的期望”拆成所有手气状态下结果的加权平均。实际做干预时，只需将 X 的赋值函数替换为常数 x，其余结构不动，生成的数据就是反事实样本。

回到厨房：阿芳用土鸡（X=10）和冷冻鸡（X=4）各做一遍，其他调料与手气完全一样，两次美味分之差，就是“换土鸡”的因果效应。SCM 把这套手写实验搬进了数学世界。

应用场景：配方救了一个餐饮集团

阿芳的厨房手册被一家连锁餐饮集团收购后，奇迹发生了：新店厨师只要按配方执行，菜品分几乎可精确复现。结构赋值函数的现实价值正是如此——把“机制”变成可计算的资产。在真实世界，它帮三类人下结论。

1. 政策评估：政府想知道“补贴 3000 元对再就业率的影响”。传统上只能观察补贴者的现状，混杂因素太多；有了赋值函数，可以模拟 do（补贴=3000） 与 do（补贴=0） 的差值，得到干净的因果效应。

2. 医学研究：一位患者不可能同时吃药和吃安慰剂。用结构赋值函数给每个患者造一个“反事实的自己”，回答“如果当年用了新药”。

3. 商业决策：电商平台想优化广告预算。广告费、曝光量、销量之间各有一张配方卡，干预模拟不同预算分配，选出最优投放方案。

这三个场景共享同一套逻辑：与其等待自然数据暴露出因果，不如把机制显式写成函数，直接“做实验”。阿芳的配方让连锁店告别了“靠运气开店”的赌博。

SCM整体框架：一本完整的厨房手册

把阿芳的私房菜馆放大，整间厨房就是一部结构因果模型：墙上贴着菜谱图（因果图 G），说明谁传给谁；抽屉里放着“手气骰子”（外生变量 U）；每个灶台前挂着一张配方卡（结构赋值函数 F）；每一道出锅的菜（内生变量 V）都由前面三者决定。SCM 的三元组写法：

其中 U 是外生变量的集合——源头噪声，不被模型解释；V 是内生变量的集合——模型要解释的对象；F 是结构赋值函数的集合——把 U 和 V 按图索骥连接起来。因果图 G 则是 V 上父子关系的可视化骨架。

阿芳把手册摊开：菜谱图、配料表、手气骰子、配方卡，四样东西齐了，这家菜馆的一切风味都能被复算。SCM 亦然——有了三元组，你拥有的不再是一堆相关数据，而是一台可以反复“重开世界”的模拟器。

AI 应用场景

Python 演示

import numpy as np  class StructuralNode:    """结构赋值函数节点: 描述父节点与外生噪声如何生成内生变量"""     def __init__(self, name, parents, function):        self.name = name        self.parents = parents        self.function = function     def compute(self, parent_values, noise):        return self.function(parent_values, noise)  def build_salary_scm():    """构建一个薪资 SCM, 能力 Ability 影响学历 Education 与薪资 Salary"""    def f_ability(parents, u):        return u     def f_education(parents, u):        return 1.5 * parents['Ability'] + u     def f_salary(parents, u):        return 2.0 * parents['Education'] + 0.5 * parents['Ability'] + u     nodes = {        'Ability': StructuralNode('Ability', [], f_ability),        'Education': StructuralNode('Education', ['Ability'], f_education),        'Salary': StructuralNode('Salary', ['Education', 'Ability'], f_salary),    }    return nodes  def simulate(scm, interventions=None, n_samples=1000, seed=42):    """按结构赋值函数生成数据, interventions 指定 do() 干预"""    rng = np.random.default_rng(seed)    records = []    for _ in range(n_samples):        values = {}        for name, node in scm.items():            if interventions and name in interventions:                values[name] = interventions[name]            else:                parent_values = {p: values[p] for p in node.parents}                noise = rng.normal(0, 0.3)                values[name] = node.compute(parent_values, noise)        records.append(values)    return records  def main():    scm = build_salary_scm()    baseline = simulate(scm, interventions={'Education': 1.0})    treated = simulate(scm, interventions={'Education': 2.0})    mean_base = np.mean([r['Salary'] for r in baseline])    mean_treat = np.mean([r['Salary'] for r in treated])    effect = mean_treat - mean_base    print(f"do(Education=1) 平均薪资: {mean_base:.2f}")    print(f"do(Education=2) 平均薪资: {mean_treat:.2f}")    print(f"教育每提升 1 的因果效应: {effect:.2f}")  if __name__ == '__main__':    main()

1. class StructuralNode:用一个小类封装配方卡：节点名、父节点名单、赋值函数
2. def compute(self, parent_values, noise):执行配方：传入父亲们的值和手气，算出孩子
3. f_education(parents, u):学历的结构赋值函数：由能力和噪声决定
4. f_salary(parents, u):薪资的结构赋值函数：由学历、能力和噪声共同决定
5. simulate(scm, interventions=None)沿拓扑序逐个节点算值，支持 do 干预替换
6. if interventions and name in interventions:干预时直接固定节点值，跳过其原生配方，等价于删除赋值函数
7. rng.normal(0, 0.3)每次为节点抽取手气，体现外生噪声的分布
8. effect = mean_treat - mean_base两个干预世界平均薪资之差，就是因果效应

常见误区

面试题