do-演算：前门调整公式

可视化演示

展示do-演算前门调整公式：通过中介变量M识别X对Y的因果效应，在存在不可观测混杂因素U时实现因果效应估计。

混杂因素困境：幕后黑手搅浑了水

老查的第一个困惑是：为什么不能直接对比“吸烟的人”和“不吸烟的人”的患病率？因为他发现，这群人从根上就不一样——遗传体质（U）既让人更容易染上烟瘾，也让人更容易患癌。用统计学的说法，U 是一个不可观测的混杂因素，它像幕后黑手一样，同时操纵着原因 X 和结果 Y，导致观测到的“吸烟者患病率更高”可能只是体质差异造成的假象。

从数学上看，老查想知道的量是因果效应 P(y|do(x))——也就是“如果强制所有人吸烟/不吸烟”，患癌概率会差多少。但观测数据只能给出 P(y|x)——“在吸烟者这个群体里”的患病率。二者在存在混杂因素时并不相等。这就好比你想知道“下雨是否导致了堵车”，却发现下雨天人们更爱打车（另一个被天气影响的变量），直接对比打车和不开车的人，结论就被污染了。

老查意识到，后门调整虽然能解决这类问题，但它要求把所有的混杂因素都观测到。可现在 U 根本看不见，传统的校正手段全部失效。他需要一条全新的思路。

中介变量概念：发现中间线索

正当老查一筹莫展时，验尸报告里的一行字引起了他的注意：焦油沉积。所有死者肺部都有焦油，而焦油只可能来自吸烟。老查眼前一亮——如果吸烟真的会导致肺癌，那么从吸烟到肺癌之间，一定存在一条看得见的“中间通道”：吸烟让焦油沉积，焦油损伤肺部组织，最终引发癌变。这个中间变量 M（焦油沉积）就是破案的线索。

在因果图中，中介变量 M 位于 X 和 Y 之间，构成路径 X→M→Y。如果 X 对 Y 的所有影响都通过 M 传递、不存在直接的 X→Y 边，我们就说 M 完全中介了 X 对 Y 的效应。这时，原本“一锤定音”的因果问题被拆成了两小段：X→M 和 M→Y。老查心想：就像查案要找目击证人一样，只要把两段证据分别坐实，就能还原整个因果链。

用概率语言表达，因果效应可以沿中介变量展开：

老查明白，这两块证据各有难点：第一块“吸烟导致焦油”可以直接从观测数据中读出（X→M 没有混杂），第二块“焦油导致肺癌”却被体质变量 U 干扰着。不过没关系，他有办法——前门准则的第三条路，就是用来攻克第二块难题的。

前门准则条件：证据链的三个印章

老查在卷宗上列出了一个优秀的“中间线索”必须满足的三个条件，就像法官要求证据链盖满三个印章：

第一个印章：完全中介。M 必须截断 X 到 Y 的所有有向路径，X 对 Y 的影响全部经由 M 传导。焦油沉积显然满足——吸烟本身不直接毒害肺部，它得先变成焦油才起作用。

第二个印章：X→M 无混杂。从 X 到 M 的路径上不能有未观测的混杂因素。这意味着我们可以直接用观测数据估计“吸烟对焦油沉积的影响”。遗传体质虽然让人爱吸烟，但它并不直接往肺里加焦油，焦油是烟烧出来的，所以这一条成立。

第三个印章：M→Y 的后门路径被 X 阻断。也就是说，只要我们控制住 X（吸烟状态），M 对 Y 的因果效应就可以通过调整 X 来分离出来。这就好比在比较“焦油多的人和焦油少的人谁更容易得癌”时，老查会把具有相同吸烟习惯的两个人放在一起比——吸烟状态相同了，体质差异这个后门就被关上了。

三个印章盖齐，前门路径就“通关”了。老查长舒一口气：第一段证据直接读取观测数据即可，第二段证据则需要对 X 做一次后门调整——这正是前门公式中内层求和将要完成的任务。

公式整体结构：两段证据的合成

老查现在手握两块拼图：第一块是“吸烟 → 焦油”的效应 P(m|x)，第二块是“焦油 → 肺癌”的效应 P(y|do(m))。但他还面临一个问题：第二块效应该怎么算？焦油沉积虽然不受体质 U 影响，但从 M 到 Y 仍然存在一条被 X 阻断的后门路径 M←X←U→Y。老查的解法是：以 X 为条件做后门调整——在比较不同焦油水平人群的患病率时，把吸烟状态这个“污染源”固定住，然后用人群的吸烟比例加权平均。

把两块拼图拼在一起，就得到了完整的前门调整公式：

整个公式就像侦探的结案陈词：焦油是吸烟通向肺癌的“桥梁”。老查不直接争论“吸烟是否致癌”（这条线被 U 污染了），而是先证明吸烟造出了焦油，再证明焦油（在排除吸烟状态干扰后）提高了患癌率，两段合璧，真相大白。

公式逐项理解：每份证据的分量

老查把公式拆开摊在桌上，像法医检验每件证物一样逐一确认。第一件证物是 P(m|x)——吸烟对焦油沉积的效应。由于条件二保证 X→M 无混杂，这项可以直接从观测数据中估计：只需统计吸烟者里焦油偏高的比例。用朴素的经验频率即可：

第二件证物是内层的 P(y|x', m) 和 P(x')。内层公式本质上是在计算“控制吸烟状态后，焦油对肺癌的因果效应” P(y|do(m))：

老查的解释很形象：“当我想知道焦油是否导致肺癌时，我会把所有人按吸烟习惯分成两组，在每一组内部比较焦油高低对患病率的影响，最后按全社会的吸烟比例把两组结果加权平均。这样一来，吸烟状态这个变量被'抹平'了，体质差异的干扰也就被排除在外。”

两件证物都验明正身，前门公式的每一项都有了确切的物理含义。老查合上卷宗：整个公式不是从天而降的魔法，而是把“中介路径”这一常识拆解得清清楚楚的数学工具。

前后门对比：两条识别路径的殊途同归

结案报告写到一半，老查停下来对比了一下自己的老方法——后门调整。后门调整是侦探的第一套工具箱：当你想知道 X 对 Y 的效应时，找到所有同时影响 X 和 Y 的混杂变量 Z，把它们控制住，再计算 X 对 Y 的效应：

前门调整和后门调整的区别，就像老查的两种查案策略：

场景差异——后门调整要求把所有混杂因素都摆上台面（Z 可观测）；前门调整则恰好用在混杂因素看不见（U 不可观测）、但存在一个干净的中介变量 M 的场景。在一桩案子里，后门被幕后黑手守死了，老查就只能改走前门。

路径差异——后门调整直接对 X 做校正，把污染源 Z 排除掉；前门调整绕道而行，先算 X→M 的效应，再算 M→Y 的效应，通过两段式破解来间接识别。

条件要求——后门要求“所有后门路径都被 Z 阻断”；前门要求 M 完全中介且 X→M 无混杂、M→Y 的后门被 X 阻断。两者的适用条件互不包含，需要侦探根据案情灵活选择。

老查在笔记本上画了两条路线：一条直捣黄龙（后门），一条迂回包抄（前门）。殊途同归，目标都是同一个因果效应。

应用场景与局限：侦探方法的边界

案件告破，老查的方法论却传遍了整个侦探圈。同事纷纷来请教：这个“前门调整”什么时候能用？老查总结了三个典型的应用舞台。

政策评估是前门调整的主场。比如研究“最低工资上调”（X）对“就业率”（Y）的影响时，宏观经济形势（U）既是促使政府上调工资的原因，也直接影响就业——这又是一个不可观测的混杂因素。此时“企业用工成本”（M）恰好完全中介了工资政策对就业的影响，前门公式就能派上用场。

医学研究中，前门调整帮助研究者摆脱对完美观测的依赖。当“药物推广强度”（X）影响“患者康复”（Y）时，患者的“基础健康水平”（U）同时影响着两者，而“药物在体内的实际吸收浓度”（M）可以是干净的中介变量。前门公式在无法测量 U 的情况下，依然能估算药物真实的治疗效果。

商业决策场景同样受益。假设分析师想评估“广告投放策略”（X）对“用户留存率”（Y）的因果效应，用户的“消费偏好”（U）是看不见的混杂——既影响他们对广告的反应，也决定留存。此时“用户对产品的认知度”（M）充当了中介角色，前门调整可以给出比朴素对比更可靠的归因结论。

然而，老查也郑重提醒同事们注意前门公式的边界。最终要使用的效应度量是把干预和对照的差值算出来：

老查把前门公式的边界写成了警句：“中介变量必须是一扇完全干净的窗户——它不能沾染任何幕后黑手的痕迹。一旦 M 本身被 U 直接污染，或者 X 还能直接跳到 Y，这扇'前门'就形同虚设。”破案如此，做 AI 因果推断亦如此：工具再巧妙，也要先验明数据结构的真实模样。

AI 应用场景

Python 演示

import numpy as np def generate_frontdoor_data(n=20000, seed=42):    """生成符合前门准则结构的合成数据：真实因果效应已知，用于验证前门调整公式。    结构: U -> X, X -> M, M -> Y, U -> Y（U不可观测）"""    rng = np.random.default_rng(seed)    # U: 不可观测混杂因素（遗传体质，0/1）    U = rng.binomial(1, 0.5, n)    # X: 是否吸烟（受U影响，U=1时更易吸烟）    p_smoke = 0.3 + 0.4 * U    X = rng.binomial(1, p_smoke)    # M: 焦油沉积水平（只受X影响，不受U影响）    M = 0.5 + 0.8 * X + rng.normal(0, 0.3, n)    M_bin = (M > np.median(M)).astype(int)    # Y: 是否患肺癌（受U与M影响）    logit = -2.5 + 0.8 * U + 1.2 * M_bin    p_y = 1 / (1 + np.exp(-logit))    Y = rng.binomial(1, p_y)    return X, M_bin, Y, U def frontdoor_adjustment(X, M, Y):    """前门调整公式: P(Y=1|do(X=x)) = Σ_m P(m|x) Σ_x' P(x') P(Y=1|x', m)"""    x_vals = [0, 1]    m_vals = [0, 1]    n = len(X)    # 第一段效应 P(m|x)    p_m_given_x = {}    for x in x_vals:        mask_x = (X == x)        for m in m_vals:            p_m_given_x[(x, m)] = np.mean(M[mask_x] == m)    # X 的边际分布 P(x')    p_x = {x: np.mean(X == x) for x in x_vals}    # 条件概率 P(Y=1|x', m)    p_y_given = {}    for x in x_vals:        for m in m_vals:            mask = (X == x) & (M == m)            p_y_given[(x, m)] = np.mean(Y[mask] == 1)    # 前门公式    p_y_do_x = {}    for x in x_vals:        total = 0.0        for m in m_vals:            inner = sum(p_x[xp] * p_y_given[(xp, m)] for xp in x_vals)            total += p_m_given_x[(x, m)] * inner        p_y_do_x[x] = total    return p_y_do_x def naive_estimate(X, Y):    """朴素估计 P(Y=1|X=x)，会受不可观测混杂因素污染"""    return {x: np.mean(Y[X == x] == 1) for x in [0, 1]} def true_causal_effect(M, Y, U):    """蒙特卡洛模拟 do(X=x) 干预，得到近似真实因果效应（作为对照基准）"""    rng = np.random.default_rng(123)    effects = {}    for x in [0, 1]:        m_sim = 0.5 + 0.8 * x + rng.normal(0, 0.3, len(U))        m_sim_bin = (m_sim > np.median(M)).astype(int)        logit = -2.5 + 0.8 * U + 1.2 * m_sim_bin        p_y = 1 / (1 + np.exp(-logit))        y_sim = rng.binomial(1, p_y)        effects[x] = np.mean(y_sim)    return effects def main():    print("=" * 62)    print("前门调整公式演示：吸烟(X) -> 焦油(M) -> 肺癌(Y)")    print("不可观测混杂因素 U（遗传体质）同时影响 X 和 Y")    print("=" * 62)    X, M, Y, U = generate_frontdoor_data()    print(f"\n数据规模: n={len(X):d}")    print(f"吸烟率: P(X=1)={np.mean(X):.3f}")    print(f"高焦油率: P(M=1)={np.mean(M):.3f}")    print(f"患病率: P(Y=1)={np.mean(Y):.3f}")    print("\n--- 朴素估计（受混杂污染）---")    naive = naive_estimate(X, Y)    print(f"P(Y=1|X=1)={naive[1]:.3f}  P(Y=1|X=0)={naive[0]:.3f}")    print(f"朴素差值: {naive[1] - naive[0]:.3f}")    print("\n--- 前门调整公式估计 ---")    fd = frontdoor_adjustment(X, M, Y)    print(f"P(Y=1|do(X=1))={fd[1]:.3f}  P(Y=1|do(X=0))={fd[0]:.3f}")    print(f"因果效应: {fd[1] - fd[0]:.3f}")    print("\n--- 真实因果效应（蒙特卡洛对照）---")    true = true_causal_effect(M, Y, U)    print(f"P(Y=1|do(X=1))={true[1]:.3f}  P(Y=1|do(X=0))={true[0]:.3f}")    print(f"真实效应: {true[1] - true[0]:.3f}")    print("\n结论: 前门调整公式在不可观测混杂存在时仍能还原因果效应")    print("      而朴素估计被混杂因素严重污染，产生明显偏差") if __name__ == "__main__":    main()

1. U = rng.binomial(1, 0.5, n)生成不可观测混杂因素：遗传体质 U，之后只作为“幕后变量”，不参与前门公式的计算。
2. M = 0.5 + 0.8 * X + rng.normal(0, 0.3, n)焦油沉积 M 只由吸烟 X 决定（0.8 是 X→M 的效应系数），确保条件二成立。
3. M_bin = (M > np.median(M)).astype(int)将连续焦油水平二值化为高/低，方便用频率直接估计条件概率。
4. p_m_given_x[(x, m)] = np.mean(M[mask_x] == m)实现第一段效应 P(m|x)：在吸烟状态为 x 的样本中统计焦油水平为 m 的比例。
5. p_y_given[(x, m)] = np.mean(Y[mask] == 1)实现条件概率 P(Y=1|x',m)：在同时满足 X=x' 且 M=m 的样本中计算患病率。
6. inner = sum(p_x[xp] * p_y_given[(xp, m)] for xp in x_vals)内层后门调整：对 x' 加权求和，得到 P(Y=1|do(m))。
7. total += p_m_given_x[(x, m)] * inner外层求和：把第一段效应与第二段效应相乘后累加，即前门公式的核心计算。

常见误区

面试题