结构因果模型SCM：结构方程

可视化演示

展示结构方程的变量依赖关系、do干预外科手术切断因果路径与反事实三步推理流程，切换模式掌握SCM核心机制。

方程定义：每道工序贴着一张配方单

烘焙工坊的操作台上，每道工序都贴着一张配方单：“面粉量 → 揉成面团 → 决定软硬”“面团软硬度 → 入炉烤制 → 决定酥脆”。配方单从不说“面团大概等于面粉”，而是写下一条单向规则：产出物由投入物和当天的意外共同决定。结构方程就是这个思路的数学化身，它把“谁引起谁”从模糊的经验里拎出来，写成一句不带歧义的声明。

对于每个需要被模型解释的变量（内生变量），结构方程写作：

注意等号在这里不是“两边相等”的天平，而是“赋值”：把右边的加工结果装进左边的变量。方向——因向果流动——在写下方程的那一刻就锁死了。这套记号看似简单，却是整座因果推断大厦的地基：相关可以用系数描述，原因则必须写进配方。

变量分类：原料、半成品和师傅的手抖

工坊里有三类东西：从供货商运来、不再自行解释的原料（面粉、鸡蛋）；工坊内一道道工序造出的半成品（面团、饼干）；以及每次操作时无法预知的随机波动（手抖、温差）。在结构方程的世界里，这三类被划成两拨：内生变量 V 是“工序产品”，外生变量 U 是“原料与手抖”。内生的意思是“由模型内部生产”：面团值多少，由面粉和搅拌方程说了算。外生的意思是“模型不解释，但必须给出名分”：面粉进货多少、师傅今天手抖到什么程度，模型不追溯它们的来历，只规定它们的分布。

划清这条界线在技术上很关键。哪些变量放进内生、哪些视为外生，取决于研究者画的“工坊围墙”：墙内的一切用方程解释，墙外的因素以分布形式输入。同一个变量，在一个模型里是内生（比如“受教育年限”用于解释收入），换一个模型可能变成外生（用出生地解释受教育年限时）。变量分类不是数据自动钉死的标签，而是建模者的因果假设。

函数依赖：配方链条环环相扣

饼干酥脆 ← 面团软硬 ← 面粉量。这条“←“链条就是因果的传递路径。一个内生变量的直接原因往往不止一个——酥脆度由面团软硬和烘焙时长共同决定。把所有直接原因收进一个集合，记作 $\textbf{PA}_i$，意思是”第 i 个变量的父节点”。结构方程的一般形式由此而来：

两个细节值得盯着看。第一，$f_i$ 只吃父节点和噪声，不吃祖先：面团软硬不会越过面团直接决定饼干酥脆。第二，倒过来把 X 的方程用 Y 表达，通常根本不存在这样的函数——这正是“因果方向不可逆”的数学体现。把 X、Z、Y 三个变量按工序先后写全，才是一份完整的因果配方册。

噪声分布：每一次手抖都有它的脾气

为什么不能把生产过程做成完全确定？因为现实总有建模者看不到的抖动。这些抖动全部放在 U_i 上。结构方程还做了一个优雅的假定：不同工序的抖动互不相干——搅拌手抖不会让烤箱温度波动，烘焙温差也不会反过来影响刚才的搅拌。写成数学就是：

这条独立性假设让配方册的演算变得可行：外生不确定性像一盒独立的小球，每个内生变量各抓一颗，互不串扰。现实中如果某一撮噪声同时影响多个方程（比如室温同时影响搅拌与烘焙），独立性就被破坏。此时要么增加外生变量把公共原因显式化，要么放弃乘积分解——那是更高级的设计取舍，但理解它的起点，就是理解为什么默认先做独立性假设。

联合分布：整条流水线的质检报告

原料的分布加上整套配方，就能推出全厂产品的联合分布。对三变量工坊：$P(X)$ 由外生分布给出，$P(Z|X)$ 来自面团方程，$P(Y|Z)$ 来自烘焙方程。把它们乘起来：

这个式子把“数据长什么样”与“因果结构是什么”连在一起：左侧是观测世界，右侧是配方世界。给定配方和原料分布，理论上能算出任意变量的边缘分布、条件分布——相当于把流水线做成了计算机模拟。这也是结构方程区别于“画相关矩阵”之处：相关矩阵只告诉你变量并肩起伏，因子分解却告诉你，哪一环是上一环的原因。

因果图对应：把配方画成流程图

工程师喜欢把配方册画成流程图：每个变量一个圆圈，每条直接依赖一根箭头。这张图就是有向无环图（DAG）。节点是变量，箭头从父节点指向子节点：

图和方程是什么关系？图是骨架，只声明“谁到谁有边”；方程是肌肉，规定边上的函数形态与噪声大小。同一个骨架可以配无数套肌肉：$Y = 2X + U_Y$ 与 $Y = \sin(X) + U_Y$ 画成同一张图，因果语义却完全不同。所以职业习惯是：先画骨架达成共识，再拟合肌肉检验量化。箭头不是相关系数——相关是双向的，箭头是方程赋值的可视隐喻。

应用价值：配方册就是决策手册

当你拥有一本完整的配方册，你就拥有了一台“因果模拟器”。政府想评估最低工资对就业的影响，配方画成“最低工资 → 用工成本 → 就业人数”；医学团队想估计新药剂量对康复时间的效果，配方写清生物学机制；电商想判断推荐算法对转化率的贡献，配方把用户活跃度当作外生输入。它们共享同一个形式化定义：

四个要素齐备，模型才具备“做决策模拟”的能力：改动配方（干预某条方程的输入），看成品分布如何变化——这正是从“看到什么”跃迁到“如果这样会怎样”的关键。对 AI 从业者来说，结构方程是把机器学习从“预测相关”推向“回答因果”的桥梁：你的模型如果只有 $P(\mathbf{X})$，它只能预测；加上配方册 $( \mathbf{F}, P(\mathbf{U}) )$，它才能回答干预式问题。

AI 应用场景

Python 演示

import numpy as np  def make_scm():    """Return the structural equations of the bakery workshop."""    def eq_z(x, u_z):        return 0.8 * x + u_z     def eq_y(z, u_y):        return 0.6 * z + u_y     return {"eq_z": eq_z, "eq_y": eq_y}  def sample_joint(scm, n=20000, seed=42):    """Sample exogenous variables, then propagate along equations."""    rng = np.random.default_rng(seed)    x = rng.normal(100.0, 10.0, n)   # flour amount (grams)    u_z = rng.normal(0.0, 2.0, n)    # kneading noise    u_y = rng.normal(0.0, 3.0, n)    # baking noise    z = scm["eq_z"](x, u_z)          # dough softness    y = scm["eq_y"](z, u_y)          # cookie crispness    return {"X": x, "Z": z, "Y": y}  def main():    scm = make_scm()    data = sample_joint(scm)    print("=== empirical joint distribution statistics ===")    for name in ("X", "Z", "Y"):        print("{}: mean={:6.2f}  std={:5.2f}".format(            name, data[name].mean(), data[name].std()))    beta = np.cov(data["X"], data["Y"])[0, 1] / np.var(data["X"])    print("theoretical slope: 0.8 * 0.6 = 0.48")    print("empirical slope: {:.4f}".format(beta))  if __name__ == "__main__":    main()

1. def eq_z(x, u_z): return 0.8 * x + u_z这是“面团配方”：面粉 X 与搅拌噪声 U_Z 合成面团软硬 Z。
2. u_y = rng.normal(0.0, 3.0, n)生成外生噪声，对应“师傅手抖”的分布，标准差 3 决定波动强度。
3. z = scm["eq_z"](x, u_z)沿因果方向传播：先算出面团，再算饼干，不能反过来。
4. beta = np.cov(data["X"], data["Y"])[0, 1] / np.var(data["X"])用采样数据估计 X 对 Y 的经验回归斜率。
5. print("theoretical slope: 0.8 * 0.6 = 0.48")结构方程的目标：把经验相关还原为因果路径上的系数乘积。

常见误区

面试题