do-演算：后门调整公式

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。

因果图基础

想象侦探接手案件时，第一件事不是翻口供，而是在白板上画一张人物关系图。每个涉案人物是一个圆圈，人物之间的“谁影响谁”用箭头连接。这张图就叫因果图。在咖啡与心脏病的案子里，年龄会影响一个人是否喝咖啡，也会影响心脏健康；喝咖啡又可能直接影响心脏。把这些都画出来，案情板就有了雏形。

技术上说，因果图是“有向无环图（DAG）”：箭头有方向，且不允许出现“A影响B、B又影响A”的闭环。原因很简单，现实中的因果不会穿过时间倒流回来。这样一个图能清楚区分哪些是直接关系、哪些是间接关系，也方便我们识别可疑的绕行路线。

在图上，从一个变量沿箭头走到另一个变量，就是一条路径。路径的方向很重要。如果从 X 出发第一步走的箭头是指向 X 的，比如 X ← Z → Y，那么这条路径就是“后门路径”。名字很形象：它绕过了 X 指向 Y 的正面大门，像一条从后门溜进案发现场的小路。

侦探看着案情板意识到：只要画面上存在这样的后门小路，喝咖啡与心脏病之间的“表面关系”就可能被路上的第三方污染。所以下一步，不是急着下结论，而是找出污染源头——这正是混杂偏倚要解决的问题。

混杂偏倚

侦探把目光停在年龄 Z 上：它同时指向喝咖啡 X 和心脏病 Y。年纪大的人更常喝咖啡，也更容易得心脏病。于是咖啡组和非咖啡组在出生时就“不是同一类人”——他们年龄结构不同。这个共同原因就是污染源，统计学上称为混杂因素。

一旦存在混杂因素，观察数据中算出的 X 与 Y 的相关性就由两部分混合而成：一部分是 X 对 Y 的真实作用，另一部分是 Z 对两者同步施加的影响。这种污染叫混杂偏倚。为了区分，我们把直接从数据里比较 X 与 Y 得到的差叫“粗关联”，把剔除混杂后的差叫“因果效应”。

举个例子，假设数据显示喝咖啡的人心脏病风险高 0.09，很像危险品。但把人群按青年、中年、老年分开后，每组内咖啡与非咖啡的风险差只有 0.02、0.03、0.05。这说明 0.09 里有相当一部分是年龄结构造成的；按年龄段比例加权后，真实风险差只有 0.031。粗关联严重夸大了真相。

侦探在案情板上给 Z 画了个圈，标注“需重点排查”。混杂偏倚就像目击者戴着有色眼镜作证，证词不能说全错，但必须经过校正后才能采用。校正的方法，就是下一节的后门准则。

后门准则

侦探不会把案发现场所有路都封死——正面大道 X→Y 恰恰是他要评估的目标。他需要选择一组“检查站” Z，把所有后门小路堵起来，同时又不能误伤直路。这组检查站就叫调整集合，而选择调整集合的条件就是后门准则。

后门准则有两条核心要求：第一，Z 要能阻断 X 到 Y 的所有后门路径；第二，Z 不能包含 X 的任何后代变量。第二条听起来绕，其实很直观：如果一个变量是 X 造成的结果，把它也拿来当“原因”控制，就会把 X 的真实效应一起削掉。就好比侦探不能把“嫌疑人服毒后产生的症状”当作案发前的背景。

当 Z 满足这两条时，在 Z 的每一个取值内部，后门路径都被切断了。于是，在同一层里 X 和“其他影响因素”不再纠缠，层内的比较就更接近“如果只有 X 变了，Y 会怎么变”的因果含义。

用侦探的话说：只要在每个年龄组内比较咖啡和非咖啡人群，年龄这个捣乱因素就被“关”在了门外。接下来要做的，只是把多个组的结果科学地汇总——这正是后门调整公式登场的地方。

调整公式

侦探现在有了清晰的破案流程：先按年龄分层，在层内比较咖啡与非咖啡的心脏病风险，再按各年龄层在总体中的占比做加权平均。这个流程写成数学，就是著名的后门调整公式，也是 do-演算中最重要的操作之一。

记 X 为是否喝咖啡，Y 为是否患心脏病，Z 为年龄层。P(Y=y | do(X=x)) 表示“如果强制所有人都喝咖啡（或不喝咖啡）时，Y=y 的概率”。研究者 Pearl 用 do 算子表达这种干预，而不是普通观察。公式右侧完全由观察数据中的条件概率和边缘概率组成，所以不需要真的给所有人下命令做实验。

把例子代入：三个年龄组的层内风险差分别为 0.02、0.03、0.05，权重分别是 0.35、0.40、0.25，加权起来得到 0.031。侦探长舒一口气：咖啡对心脏病确实有轻微影响，但没有粗关联显示的 0.09 那么吓人。公式帮他剥掉了年龄制造的伪装。

实际应用

侦探带着这套方法走出咖啡馆，发现后门调整公式在真实世界里到处都能办案。凡是“无法随机分配、却拥有大量观察数据”的场景，都可能藏着需要封堵的后门。

政策评估是最典型的现场。比如研究最低工资上调是否减少就业，政府不能把城市随机分成两组。但可以收集各城市就业数据，把城市规模、产业结构、经济周期等变量作为 Z，用后门调整估算“如果所有城市都调薪”会怎样，从而避开“经济好的城市既爱调薪又就业好”的假象。

医学研究同样受益。随机对照试验成本高、周期长，而电子病历和医保数据每天都在产生。评估某降压药是否降低心血管事件时，把年龄、基线血压、合并症作为混杂 Z，后门调整能从真实世界数据中给出接近试验的疗效估计，帮助药物评价和临床决策。

商业场景也不例外。市场部想知道广告多投一元能带来多少新订单，但高预算用户本身购买力更强。把用户历史活跃度、地区、设备等作为 Z 调整后，才能得到“增量 ROI”，避免把本来就要买的订单算成广告功劳。侦探的破案公式，成了产品与增长团队的日常工具。

工程实现与局限

侦探要在办案系统中落地这套方法。首先要确定 Z 并收集对应数据；接着把连续变量处理成可计算的层次（比如年龄分段、收入分档），统计每层的样本量、事件数和条件风险，最后按公式加权汇总。若 Z 是多个变量，则每个层就是它们的组合，数据需求会增长得更快。

工程上已有成熟工具，比如 DoWhy、EconML 或常规统计软件的回归与分层模块。它们把“画图假设—识别估计—反驳检验”封装成标准流程。但工具不会替你判断因果关系，它只负责执行你写下的因果模型。

后门调整并非万能。最致命的限制是未观测混杂：如果年龄之外还有一个没被记录的基因变量同时影响喝咖啡与心脏病，那么后门路径并未完全封死，估计依旧有偏。实践中还要做敏感性分析，看看结论在多大程度上依赖“没有重大未观测混杂”的假设。

侦探把最终报告交给委托方时特意注明：结论的有效性取决于案情板是否完整。后门调整公式是一把锋利的手术刀，能切开观察数据中的伪装，但手术前必须确认“情报地图”没有漏掉关键变量。这，就是 do-演算教会我们的严谨与谦逊。

AI 应用场景

Python 演示

import randomfrom collections import defaultdict def generate_data(n=3000, seed=42):    # 生成模拟观察数据: (是否喝咖啡, 年龄段, 是否患病)    random.seed(seed)    ages = [0, 1, 2]    weights = [0.35, 0.40, 0.25]    data = []    for _ in range(n):        z = random.choices(ages, weights)[0]        x = 1 if random.random() < (0.3 + 0.2 * z) else 0        p = 0.2 + 0.1 * z + 0.03 * x        y = 1 if random.random() < p else 0        data.append((x, z, y))    return data def backdoor_adjustment(data):    # 后门调整公式: P(Y=1|do(X=1)) - P(Y=1|do(X=0))    n_total = len(data)    z_count = defaultdict(int)    xz_count = defaultdict(int)    xz_y1 = defaultdict(int)    for x, z, y in data:        z_count[z] += 1        xz_count[(x, z)] += 1        xz_y1[(x, z)] += y     risk = {}    for x in (0, 1):        total = 0.0        for z, nz in z_count.items():            pz = nz / n_total            p_y1 = xz_y1[(x, z)] / xz_count[(x, z)]            total += pz * p_y1        risk[x] = total    return risk[1] - risk[0] def crude_risk_difference(data):    # 不调整混杂的粗关联    x_count = defaultdict(int)    x_y1 = defaultdict(int)    for x, z, y in data:        x_count[x] += 1        x_y1[x] += y    return x_y1[1] / x_count[1] - x_y1[0] / x_count[0] def main():    data = generate_data()    crude = crude_risk_difference(data)    adjusted = backdoor_adjustment(data)    print("粗关联风险差:", round(crude, 4))    print("调整后因果风险差:", round(adjusted, 4)) if __name__ == "__main__":    main()

1. def backdoor_adjustment(data):定义核心函数，输入是观察样本列表。
2. z_count[z] += 1统计每个年龄段人数，用来估计 P(Z=z)。
3. xz_count[(x, z)] += 1统计每个“是否喝咖啡 × 年龄段”组合的人数，作为层内分母。
4. pz = nz / n_total权重：Z 层在总体中的占比。
5. p_y1 = xz_y1[(x, z)] / xz_count[(x, z)]层内风险 P(Y=1 | X=x, Z=z)。
6. total += pz * p_y1把层内风险按权重累加，实现公式中的求和。
7. return risk[1] - risk[0]得到干预下的风险差，即真实因果效应。

常见误区

面试题