想象你是深夜仓库里的侦探，面前两排货架倒在一起，而你手里只有观测数据，没有监控录像。要判断究竟是左边砸倒右边、还是右边砸倒左边，就像因果推断中“从联合分布反推因果方向”的难题。LiNGAM是这样一种算法：它依靠三个条件——非高斯、线性、无环——把因果方向从观测数据中识别出来。非高斯好比现场不对称的脚印，给了侦探方向线索；线性好比力量按比例传递，让推理有固定杠杆；无环好比时间不能绕圈，让事件能排出先后顺序。这篇文章将带你依次理解这三个假设为什么缺一不可、各自被违反时会出现什么后果，以及LiNGAM与PC、NOTEARS这些同行算法相比有哪些特长。读完你会发现，因果识别并非魔法，而是一套严谨的破案逻辑。

岗位关联

掌握可识别性假设，是判断哪些场景真正适合自动因果发现的关键。对AI从业者来说，这决定了你搭建的模型是“有方向感的侦探”，还是“只会看热闹的统计员”。

目录
  1. 可视化演示
  2. 因果识别问题
  3. 线性结构模型
  4. 高斯对称困境
  5. 非高斯破局
  6. 无环拓扑序
  7. LiNGAM算法
  8. 同行算法对比
  9. 假设检验实践
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示LiNGAM因果发现的可识别的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

LiNGAM因果发现的可识别：因果可识 因果可识别性的概念与LiNGA 非高斯性假设与Darmois- 核心机制可视化 LiNGAM因果发现的可识别整体架构与关键组件

因果识别问题

凌晨的仓库里，两排货架倒在一起。警方必须判断：是左边的货架倒下砸倒了右边的，还是右边的货架倒下砸倒了左边的？在没有任何监控的情况下，这两个说法从外观上看完全一样。因果推断要解决的，正是这种“观测量相同、方向却未知”的难题。

在统计上，我们只有一堆观测数据点 $(X,Y)$，不知道到底是 $X$ 导致了 $Y$，还是 $Y$ 导致了 $X$。问题是，两个方向在数学上都能写出一个概率分布 $P(X,Y)$。所以如果只靠观测到的联合分布，因果方向原则上不可识别。

这正是统计学家说的可识别性（identifiability）：只有当我们能根据数据唯一地确定一个模型参数时，才叫可识别。若把 $P(X,Y)$ 拆成 $P(X)\times P(Y|X)$，这是假设 $X$ 在前、$Y$ 在后；也可以拆成 $P(Y)\times P(X|Y)$，这是假设 $Y$ 在前、$X$ 在后。两个拆法都符合同一组观测数据，因此需要额外假设来打破对称。

侦探面对两排倒下的货架，仅凭“它们同时倒地”这一事实无法定罪；必须找到“谁先倒下”之类的额外线索。LiNGAM 的三条假设，正是这种打破对称的额外线索。

P(X,Y)=P(X)×P(Y∣X)\displaystyle P(X,Y)=P(X)\times P(Y\mid X)
这个公式告诉我们，同一个联合分布可以用两种方式拆解，相当于同一堆证据可以讲出两个互为镜像的故事。
  1. 联合概率$P(X,Y)$ 表示两个现象同时出现的概率，是推理的起点。
    P(X,Y)P(X,Y)
  2. 条件概率$P(Y\mid X)$ 表示已知 $X$ 发生时 $Y$ 发生的概率，是因果链条的一环。
    P(Y∣X)P(Y\mid X)
  3. 链式法则联合概率可以拆成“边缘概率乘条件概率”，两个方向都能拆。
    P(X,Y)=P(X)×P(Y∣X)P(X,Y)=P(X)\times P(Y\mid X)

线性结构模型

假设侦探找到了关键证据：货架每倾倒 1 厘米，地面上的裂痕就增加 3 条。这种“按比例”的传递关系，就是线性结构模型的雏形。

如果 $X$ 对 $Y$ 的影响是线性的，我们可以写出结构方程 $Y=aX+e_Y$。$e_Y$ 是 $Y$ 方向上的噪声，代表除 $X$ 之外的所有其他因素。关键的锚定条件是：$X$ 与 $e_Y$ 相互独立。如果方向正确，噪声是外来的扰动，不受原因影响。

这个独立条件之所以关键，是因为它给了我们一个可检验的承诺：假设方向是 $X\to Y$，那么用 $X$ 预测 $Y$ 后的残差，应该与 $X$ 无关；如果把方向反过来，用 $Y$ 预测 $X$ 后的残差，往往与 $Y$ 有关。于是“哪边的残差保持独立，哪边就更可能是真实方向”。这是 LiNGAM 识别方向的核心机制。

货架倒下的力量是按比例传递的，侦探才能从裂痕数量推算力度；同样，只有线性关系，因果强度才能用系数 $a$ 这个恒定的杠杆来刻画。如果关系是非线性的，问题会复杂得多。

Y=aX+eY,X⊥eY\displaystyle Y = aX + e_Y,\quad X \perp e_Y
这个公式说明线性模型由三部分组成：一个杠杆系数 $a$、一个原因变量 $X$、一个独立噪声 $e_Y$。杠杆系数让我们能定量描述因果强度，独立噪声则提供方向检验的锚。
  1. 线性系数$a$ 是 $X$ 对 $Y$ 的影响强度，类似“每倾斜一厘米就多三道裂痕”的杠杆比例。
    aa
  2. 误差项$e_Y$ 是除 $X$ 之外各种未观测因素的总和，代表随机扰动。
    eYe_Y
  3. 独立条件$X\perp e_Y$ 表示原因与噪声互不干扰，是方向可识别的基础。
    X⊥eYX \perp e_Y

高斯对称困境

但如果现场没有裂痕，只有两排货架同样均匀地倒塌，灰尘覆盖得平平整整，侦探就分不清谁先倒。高斯的噪声，就像这种过于均匀的灰尘。

当所有变量和噪声都服从高斯（正态）分布时，联合分布完全由均值向量和协方差矩阵决定。而协方差矩阵是一个对称矩阵：“$X$ 与 $Y$ 的协方差”和“$Y$ 与 $X$ 的协方差”天然相同。这意味着两个方向在概率上没有任何区别。

具体来看，如果 $(X,Y)$ 是联合高斯且 $X\to Y$，我们反推 $Y\to X$ 时，残差 $X-bY$ 依然服从高斯分布，并且与 $Y$ 独立。两边的表达完全对等，所以无法用数据区分。无论用相关性、回归还是互信息，只要分布是高斯，“方向”都是一个无法打开的黑箱。

灰尘越均匀，脚印就越难辨认方向。高斯的“均匀对称性”直接把方向线索抹平了。要打破僵局，必须让噪声留下不对称的痕迹——这正是非高斯性登场的时刻。

(X,Y)∼N((μXμY),(σX2σXYσXYσY2))\displaystyle (X,Y)\sim \mathcal{N}\left(\begin{pmatrix}\mu_X\\ \mu_Y\end{pmatrix},\begin{pmatrix}\sigma_X^2 & \sigma_{XY}\\ \sigma_{XY} & \sigma_Y^2\end{pmatrix}\right)
高斯联合分布只需要均值向量和协方差矩阵就能完全描述，而协方差矩阵天然对称，因此无法携带箭头方向的信息。
  1. 联合高斯$(X,Y)$ 服从二维正态分布，概率密度完全由均值向量和协方差矩阵决定。
    (X,Y)∼N(μ,Σ)(X,Y)\sim \mathcal{N}(\mu,\Sigma)
  2. 均值向量$\mu_X,\mu_Y$ 表示两个变量的中心位置，与因果方向无关。
    μ=(μXμY)\mu=\begin{pmatrix}\mu_X\\ \mu_Y\end{pmatrix}
  3. 协方差矩阵$\sigma_{XY}$ 在矩阵中对称出现，交换 $X$、$Y$ 后矩阵不变。
    Σ=(σX2σXYσXYσY2)\Sigma=\begin{pmatrix}\sigma_X^2 & \sigma_{XY}\\ \sigma_{XY} & \sigma_Y^2\end{pmatrix}

非高斯破局

假设现场多了几只带特殊泥渍的脚印，只有凶手走过才留下——这种独特印记，就是非高斯噪声的“指纹”。

非高斯性打破了上一节的对称。在非高斯线性模型中，独立和不相关不再等价。当我们猜对方向时，残差既不相关也独立；猜错方向时，残差虽然可能不相关，但不再独立。这种可检验的不对称性，让方向第一次可以被数据“看见”。

从模型上看，结构方程可以写成矩阵形式。如果每个噪声 $e_i$ 都是相互独立的非高斯分布，那么可以用独立成分分析（ICA）把混合信号 $X$ 分离成独立分量 $S$。ICA 恢复出的混合矩阵 $A$ 经过一定变换，就对应着因果结构 $B$。正因为非高斯性提供了高阶统计信息，才避免高斯中只有二阶信息导致的等价混淆。

有指纹就有来路，有非高斯就有方向。侦探正是靠这些“不均匀的痕迹”判断谁先动的手；LiNGAM 则是通过 ICA 把这些痕迹一条条分离出来。

X=AS,A=(I−B)−1,S=e\displaystyle X = A S,\quad A=(I-B)^{-1},\quad S=e
这个式子把因果结构方程改写成一个“混合与分离”的视角：观测 $X$ 是独立非高斯噪声 $e$ 通过矩阵变换后的混合物，ICA 负责把混合物拆回独立的源头。
  1. 混合模型$X=AS$ 表示观测数据是若干独立源头线性混合后的结果。
    X=ASX = A S
  2. 逆矩阵$A=(I-B)^{-1}$ 把因果系数矩阵 $B$ 和混合矩阵 $A$ 联系在一起。
    A=(I−B)−1A=(I-B)^{-1}
  3. 独立分量$S=e$ 是非高斯且相互独立的噪声向量，是 ICA 要恢复的对象。
    S=eS=e

无环拓扑序

无论再怎么复杂，事件发生的时间线不能是圆的——凶手不可能在自己死亡之后再杀别人。这种不能绕圈的根本约束，就是无环。

因果图一般写成有向无环图（DAG）：节点是变量，有向边是因果箭头，并且不允许出现环路。无环意味着存在一个拓扑排序，可以把所有节点排成一列，使得每一个箭头都从前往后指。

如果数据中存在环路，比如 $X$ 影响 $Y$、$Y$ 又影响 $X$，那么两个节点互为因果，无法明确谁前谁后。这时任意方向的排序都会产生矛盾。LiNGAM 假设无环，本质上是承认因果过程有先后顺序，而不是纠缠的稳态循环。

无环假设就像侦探坚持“先因后果”的时间箭头：所有线索必须能排成一条不拐弯的逻辑链。一旦出现环路，整条链就打结了。

∃πs.t.xi→xj⇒π(i)<π(j)\displaystyle \exists \pi \quad \text{s.t.}\quad x_i\rightarrow x_j \Rightarrow \pi(i)<\pi(j)
拓扑排序把每个变量安排到一条时间线上：只要 $x_i$ 影响 $x_j$，$x_i$ 就必须排在 $x_j$ 前面。存在这种排序，才谈得上“先后”。
  1. 拓扑顺序$\pi$ 是给所有变量重新编号的一个排列，相当于时间线上的位置。
    π\pi
  2. 箭头约束$x_i\rightarrow x_j$ 意味着原因节点必须排在结果节点之前。
    xi→xj⇒π(i)<π(j)x_i\rightarrow x_j \Rightarrow \pi(i)<\pi(j)
  3. 存在性$\exists \pi$ 表示这样的排列存在，这是无环图的特征。
    ∃π\exists \pi

LiNGAM算法

有了三个假设，侦探就有了完整的破案流程：提取指纹、比对顺序、排除干扰。LiNGAM 算法其实就是这样一套流程。

LiNGAM 将每个变量表示为其他变量的线性组合加上非高斯噪声。算法的大致步骤是：先对观测数据做标准化；再用 ICA 分离出独立成分；根据各成分的排列确定因果顺序；最后剪掉不显著的边。

ICA 的输出往往带有排列和缩放不确定性，所以 LiNGAM 的关键步骤是设计一个合理的排列准则，把独立成分安放到正确的因果顺序上。一旦顺序确定，就得到了一个下三角的系数矩阵，行列都清晰对应着“谁影响谁”。

破案要讲流程：先拍照取证，再逐一验指纹，最后排除无关线索。LiNGAM 也正是这样一个流水线式的“定向侦探”。

Xi=∑j≠ibijXj+ei,(i=1,…,p)\displaystyle X_i = \sum_{j\neq i} b_{ij} X_j + e_i,\quad (i=1,\ldots,p)
这是 LiNGAM 的建模基础：每个变量都等于其他变量的线性组合加上自己的非高斯噪声。任务就是从数据中估计所有 $b_{ij}$ 以及对应的因果顺序。
  1. 变量方程$X_i$ 是第 $i$ 个变量，等号右边是其他变量对它的线性贡献。
    Xi=∑j≠ibijXj+eiX_i = \sum_{j\neq i} b_{ij} X_j + e_i
  2. 零对角$b_{ii}=0$ 表示变量不能直接决定自己，避免自循环。
    bii=0b_{ii}=0
  3. 无环约束系数矩阵的箭头关系必须构成有向无环图，才能支持拓扑排序。
    DAG(B)\text{DAG}(B)
  4. 非高斯噪声每个 $e_i$ 是非高斯分布，提供可识别方向的“指纹”。
    ei∼NonGaussiane_i \sim \text{NonGaussian}

同行算法对比

不是所有侦探都用指纹法。有的靠“不在场证明”，有的靠“连续轨迹建模”。PC 算法和 NOTEARS 算法各有各的破案风格。

PC 算法基于条件独立性检验：如果给定中间变量后两个变量不再相关，就认为它们没有直接因果关系。PC 只需要很少的分布假设，但它只能识别马尔可夫等价类——对某些边依然无法定向。

NOTEARS 则把“寻找 DAG”变成一个连续优化问题，直接对邻接矩阵施加无环约束，用梯度方法求解。它更适合高斯或低维场景，而不像 LiNGAM 那样依赖非高斯性来定向。相比之下，LiNGAM 的独特优势在于：只要线性、非高斯、无环三个假设成立，它通常能恢复完整的因果方向，而不是只给出一个等价类。

不在场证明能排除嫌疑人，却不一定能锁定谁先到现场；轨迹优化能算出最可能的路线，却也依赖模型设定。指纹法（非高斯）在合适条件下能一锤定音，这就是 LiNGAM 的看家本领。

X⊥ ⁣ ⁣ ⁣⊥Y∣Z\displaystyle X \perp\!\!\!\perp Y \mid Z
条件独立性的意思是：当 $Z$ 被观察到后，$X$ 和 $Y$ 之间的关联就消失了。PC 算法靠这种“不在场证明”来删边和定向。
  1. 条件独立$X\perp\!\!\!\perp Y\mid Z$ 表示给定 $Z$ 后 $X$ 与 $Y$ 互不提供信息。
    X⊥ ⁣ ⁣ ⁣⊥Y∣ZX \perp\!\!\!\perp Y \mid Z
  2. 骨架发现用条件独立检验判断两个变量之间是否存在直接边。
    Edge(X,Y) iff ∄Z:X⊥ ⁣ ⁣ ⁣⊥Y∣Z\text{Edge}(X,Y)\ \text{iff}\ \nexists Z : X\perp\!\!\!\perp Y\mid Z
  3. 方向局限某些情况下 $X\to Y$ 与 $Y\to X$ 给出同样的条件独立集合，方向无法判定。
    Markov Equivalence Class\text{Markov Equivalence Class}

假设检验实践

再好的侦探，也要先确认现场是不是被伪造过。使用 LiNGAM 之前，我们应该先检验三个假设是否满足，避免在“假现场”上浪费精力。

检验非高斯性，常用偏度、峰度以及 Jarque-Bera 统计量：正态分布偏度为 0、峰度为 3，若数据明显偏离，则拒绝正态性。这一检验帮助我们确认数据是否带有足够的“指纹”。

检验线性，可以看残差与自变量的独立关系：如果残差还带有规律性，说明真实关系可能不是线性的。检验无环，一般依靠领域知识或运行算法后的排序是否自洽：如果排序存在矛盾，说明可能存在环路或隐变量。也可以在预处理阶段做独立性筛查，删除明显不满足条件的变量对。

侦探在破案前会检查脚印深浅是否异常、工具痕迹是否匹配；数据科学家也要在跑 LiNGAM 前检查非高斯、线性、无环三条假设的可信度。假设越扎实，模型给出的方向越可靠。

JB=n6(S2+14(K−3)2)\displaystyle JB = \frac{n}{6}\left(S^2 + \frac{1}{4}(K-3)^2\right)
Jarque-Bera 统计量把偏度 $S$ 和峰度 $K$ 合在一起：数据越接近正态，$JB$ 越小；偏离越远，$JB$ 越大。
  1. 偏度$S$ 衡量分布是否左右不对称，正态分布为 0。
    SS
  2. 峰度$K$ 衡量分布尾部比正态更厚还是更薄，正态分布为 3。
    KK
  3. 统计量$JB$ 将两者偏差平方后汇总，显著大于 0 时拒绝正态性。
    JB=n6(S2+14(K−3)2)JB = \frac{n}{6}\left(S^2 + \frac{1}{4}(K-3)^2\right)

AI 应用场景

电商营销归因

阶段：数据探索与归因分析

解决的问题：传统报表只能算出“曝光”和“点击”之间的相关系数，回答不了谁驱动谁；AI 因果发现通过非高斯独立性检验找回方向，让归因结论具备因果依据，避免把“相关”误当“因果”。

具体案例：某电商团队对用户会话中的“曝光次数”和“点击次数”应用 LiNGAM，发现“曝光→点击”的方向清晰胜出，于是把投放预算集中到曝光策略上，点击率提升了约 12%。

脑影像因果通路识别

阶段：因果结构学习

解决的问题：fMRI 的 BOLD 信号高度相关，直接回归会互相混淆，无法分辨哪些脑区在向哪些脑区传递信息；LiNGAM 用非高斯独立分量确认信号流向。

具体案例：研究者使用 LiNGAM 分析静息态 fMRI 数据，识别出“视觉皮层→前额叶”的因果通路，为理解注意力调控机制提供了新的证据。

工业故障溯源

阶段：预测性维护与诊断

解决的问题：多个传感器信号同时变化，无法直接判断哪个先触发哪个；传统阈值告警只能提示“出事了”，却不知道故障从哪里开始传播。

具体案例：制造工厂对振动传感器与温度传感器两类时序特征应用 LiNGAM，发现振动升高先于温度变化，于是把振动异常作为早期告警指标，提前 40 分钟预警设备过热。

Python 演示

python43 行
import numpy as np  def gen_data(n, kind):    rng = np.random.default_rng(2024)    if kind == "gauss":        x = rng.normal(size=n)        e = rng.normal(size=n) * 0.5    else:        x = rng.uniform(-2, 2, size=n)        e = rng.uniform(-1, 1, size=n) * 0.5    y = x + e    return x.reshape(-1, 1), y.reshape(-1, 1)  def independence_score(x, y):    # 假设 x -> y,拟合 y = a + b x 后检查残差与 x 的独立性    X = np.hstack([np.ones((len(x), 1)), x])    beta = np.linalg.lstsq(X, y, rcond=None)[0]    resid = y - X.dot(beta)    # 分箱互信息估计    h, ex, ey = np.histogram2d(resid.ravel(), x.ravel(), bins=6)    p = h / h.sum()    px = p.sum(axis=0, keepdims=True)    py = p.sum(axis=1, keepdims=True)    with np.errstate(divide="ignore", invalid="ignore"):        mi = np.sum(p * np.log(p / (px * py)))    return max(mi, 0.0)  def infer_direction(x, y):    mi_xy = independence_score(x, y)    mi_yx = independence_score(y, x)    if abs(mi_xy - mi_yx) < 0.005:        return "无法识别", mi_xy, mi_yx    return "X -> Y" if mi_xy < mi_yx else "Y -> X", mi_xy, mi_yx  if __name__ == "__main__":    for kind in ["gauss", "non_gauss"]:        x, y = gen_data(1000, kind)        result, mi_xy, mi_yx = infer_direction(x, y)        print(kind, "MI_XY=%.3f MI_YX=%.3f" % (mi_xy, mi_yx), "=>", result)
目的：用最小二乘拟合和分箱互信息模拟 LiNGAM 的方向判断，对比高斯与非高斯两种数据下“谁的方向可识别”。
  1. y = x + e按真实的 X→Y 结构生成数据，e 是独立噪声。
  2. np.linalg.lstsq(X, y, rcond=None)[0]用最小二乘估计线性系数，得到候选因果模型的拟合线。
  3. resid = y - X.dot(beta)计算残差，也就是“去掉原因影响后剩下的部分”。
  4. np.histogram2d(resid.ravel(), x.ravel(), bins=6)把残差和自变量做成二维直方图，用于估计独立性。
  5. np.sum(p * np.log(p / (px * py)))计算互信息，互信息接近 0 表示独立。
  6. if abs(mi_xy - mi_yx) < 0.005:两个方向的独立性得分都接近，判定为“无法识别”。
  7. return "X -> Y" if mi_xy < mi_yx else "Y -> X", mi_xy, mi_yx独立性得分更低的方向更可信。

常见误区

误区我觉得 LiNGAM 和线性回归差不多的，反正都是拟合一条直线，找出系数就能说明因果。

正解线性回归拟合的是相关关系，而 LiNGAM 还要检验残差独立性来确定方向。好比你在现场量出裂痕与倒架的线性关系，但如果不确认谁先动，就无法定罪。回归系数只是“杠杆”，方向认定还必须依赖非高斯残差检验。

为何常见：因为两者都包含“线性”二字，初学者看到最小二乘拟合，就误以为因果方向已经被系数捕捉到了。

误区非高斯是不是意味着数据越“偏”越好？只要偏度很大，因果方向肯定能识别。

正解非高斯是必要条件但不是充分担保。除了非高斯，还要满足线性与无环。如果真实的因果关系的非高斯性极弱，识别依然不稳定。非高斯只是让方向拥有可检验的不对称性，而不是数量越大越好。

为何常见：大家容易把“非高斯”理解成“某种特殊分布”，并认为越极端越好，却忘了它只是打破对称的条件之一。

误区有环的情况很少见，LiNGAM 的无环假设差不多可以忽略。

正解现实中确实存在反馈回路，比如股价影响交易量、交易量反过来影响股价。LiNGAM 的无环假设一旦被违反，ICA 恢复的分量就不对应真实的因果矩阵，输出会误导归因。处理有环数据需要专门建模，不能拿无环工具硬套。

为何常见：因为很多演示用例都是链条型的因果图，给人生成“无环是默认设置”的错觉。

误区PC 算法不要求非高斯，所以它是比 LiNGAM 更通用的因果发现算法。

正解PC 确实只需要条件独立性，代价是它通常只能把方向识别到马尔可夫等价类，很多边仍保持“方向不明”。LiNGAM 在满足三个假设时能恢复完整有序因果图，两者不是谁替代谁，而是不同线索下的不同工具。

为何常见：初学者容易用“假设更少=更强大”来排序算法，却忽略了输出精度和假设可验证性之间的权衡。

面试题

Q1. LiNGAM 中的 NG 代表什么？

单选题 · easy

  • A.非高斯性假设← 正确答案
  • B.非线性假设
  • C.非确定性噪声
  • D.正态分布假设

答案：A。LiNGAM 全称是 Linear Non-Gaussian Acyclic Model，NG 正是 Non-Gaussian 的缩写，即非高斯性假设。其他选项分别对应非线性、噪声特性与正态分布，都不是 NG 的本意。

Q2. 在完全高斯分布的世界里，为什么 X→Y 和 Y→X 难以区分？

单选题 · mid

  • A.联合分布完全对称← 正确答案
  • B.条件期望值不存在
  • C.噪声项的均值非零
  • D.数据样本量不够大

答案：A。高斯联合分布完全由均值向量和协方差矩阵决定，协方差矩阵天然对称，交换 X、Y 后看起来一样。这正是“灰尘均匀铺满现场”的困境：方向信息被对称性抹掉了。

Q3. 下列哪一项是 LiNGAM 的完整假设组合？

单选题 · easy

  • A.线性、高斯、无环
  • B.线性、非高斯、无环← 正确答案
  • C.非线性、高斯、有环
  • D.线性、非高斯、有环

答案：B。LiNGAM 需要线性结构、非高斯噪声、有向无环图三个条件同时成立，对应“杠杆、指纹、时间线”三个比喻。高斯基环都会破坏可识别性。

Q4. 以下哪些现象会导致 LiNGAM 无法识别因果方向？

多选题 · mid

  • A.噪声服从高斯分布← 正确答案
  • B.因果图存在环路← 正确答案
  • C.因果关系高度线性
  • D.噪声方差全部固定不变

答案：AB。高斯噪声会抹平方向线索，环路则让先后顺序无法排定，这两者都直接违反 LiNGAM 的可识别性假设。线性关系和无害的同方差噪声并不破坏识别。

Q5. ICA 在 LiNGAM 中的主要作用是什么？

单选题 · hard

  • A.分离独立成分恢复顺序← 正确答案
  • B.计算变量间皮尔逊相关
  • C.检验残差是否服从高斯
  • D.对变量做主成分降维

答案：A。LiNGAM 把观测数据看作独立非高斯噪声的线性混合，ICA 负责把这些独立成分分离出来，进而恢复因果顺序。它不等同于相关性分析、高斯检验或 PCA。

Q6. 关于独立性与相关性，以下说法正确的是？

多选题 · mid

  • A.独立一定不相关← 正确答案
  • B.不相关一定独立
  • C.非高斯下不相关也独立
  • D.高斯下不相关可推出独立← 正确答案

答案：AD。独立一定不相关；但在非高斯场景下，不相关未必独立，这正是 LiNGAM 能利用的高阶信息。高斯分布比较特殊，不相关与独立等价，因此方向识别失败。

Q7. PC 算法与 LiNGAM 相比，主要差别是什么？

单选题 · mid

  • A.PC利用条件独立性← 正确答案
  • B.PC需要非高斯假设
  • C.PC只处理两个变量
  • D.PC能处理非线性因果

答案：A。PC 算法基于条件独立性检验，不需要非高斯假设，但只能识别到马尔可夫等价类，部分方向无法判定。LiNGAM 则靠非高斯指纹恢复完整方向。

Q8. 如果真实因果过程中存在环路，用 LiNGAM 会发生什么？

单选题 · hard

  • A.算法仍能唯一定向
  • B.ICA会找出错误因果排序← 正确答案
  • C.因果顺序对但系数错
  • D.与无环与否完全无关

答案：B。无环是 LiNGAM 的拓扑排序前提。存在环路时，ICA 分离出的分量不再对应真实因果矩阵，算法可能强行给出一个并不存在的先后顺序。就像时间线被打结，排出的序全是错的。

Q9. 验证 LiNGAM 的线性假设是否合理，常见做法是？

单选题 · easy

  • A.检查残差与原自变量独立← 正确答案
  • B.检查变量服从泊松分布
  • C.检查样本量是否为偶数
  • D.检查方差是否恒为一

答案：A。如果真实关系是线性的，那么用自变量拟合因变量后的残差不应再包含可预测的结构。检验残差与自变量的独立性，是判断线性假设是否成立的核心手段。

Q10. 以下哪些是检验非高斯假设的常用方法？

多选题 · hard

  • A.偏度与峰度法← 正确答案
  • B.雅克贝拉检验法← 正确答案
  • C.夏皮罗威尔克检验← 正确答案
  • D.独立成分分析法

答案：ABC。偏度、峰度以及 Jarque-Bera 检验、Shapiro-Wilk 检验都是常用的正态性检验，能判断数据是否“过于高斯”从而缺乏方向指纹。ICA 是分离独立成分的算法，不是正态性检验。