阿理是城市情报局的分析师。他截获了三个接头人 A、B、C 的往来日志，却看不到任何一条消息的方向——不知道是谁在指挥谁。日志只留下两种痕迹：哪些人之间有联系，以及哪些联系在盯住某个第三人后“突然消失”。凭这两种痕迹，阿理偶尔能斩钉截铁地给一条边盖章定向，但更多时候只能画一条没有箭头的线。他很快发现，许多画法不同、箭头方向各异的网络，居然能产生一模一样的日志——它们就像同一个影子投出的不同原型。这些“数据完全无法区分”的因果图家族，就是马尔可夫等价类。它像一面镜子，照出了从观测数据反推因果结构的边界：边界之内可以确定，边界之外只能靠实验或额外知识。本文陪阿理完成这次破案，也带你认识因果发现中最诚实的工具。

岗位关联

一句话价值：掌握马尔可夫等价类，你就能在因果发现中清楚区分“数据能证明什么、不能证明什么”，避免把相关当因果——这是因果推断、结构学习与 AI 可解释性工程师的核心基本功。

目录
  1. 可视化演示
  2. DAG基础
  3. 等价类定义
  4. 对撞子结构
  5. PC算法流程
  6. 部分有向图
  7. 可辨识边界
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示马尔可夫等价类的核心机制，通过架构/数据/状态/性能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）。

马尔可夫等价类：因果发现 因果发现问题定义与可识别挑战 马尔可夫等价类的定义与判定条件 核心机制可视化 马尔可夫等价类整体架构与关键组件

DAG基础

阿理的第一课，是理解地下组织的“指挥规则”。接头人之间传递消息有严格方向：A 把命令传给 B，B 再传给 C，消息绝不回头——如果 A 的命令绕一圈又回到 A，整个组织就会陷入逻辑死循环。这张“单向、无环”的指挥图，就是有向无环图（DAG）：节点是接头人，箭头是命令方向，而“无环”保证了任何消息都不会成为自己的源头。

数据里的“日志”就是每个接头人的行动记录。真正关键的不是单个人的动静，而是条件独立性：如果阿理死死盯住 B 的举动，发现 A 和 C 的行动不再同步，那么 A、B、C 之间就有两种可能——A 通过 B 影响 C（链），或者 A 和 C 都受 B 指挥（叉）。这种“控制住中间人，两头就失联”的现象，是 DAG 在数据上留下的第一道指纹。

一张 DAG 能把全部变量的联合分布“因式分解”成局部规则的乘积：每个变量的概率只依赖它的父节点，也就是它的直接原因。这是因果假设进入数据的第一步——有了 DAG，联合分布被压缩成一连串“只看上级”的条件概率；反过来，从数据中发现的局部规则，也能反过来约束 DAG 的形状。阿理的工作，就是“由果推因”。

有了这条规则，阿理明白：他手中的日志不是一张“命令网”的完整照片，而是这张网投在数据上的影子。同一个影子可能对应多个不同的网络——这正是下一节要说的马尔可夫等价类。

P(x1,x2,…,xn)=∏i=1nP(xi∣Pa⁡(xi))\displaystyle P(x_1, x_2, \dots, x_n) = \prod_{i=1}^{n} P\bigl(x_i \mid \operatorname{Pa}(x_i)\bigr)
这条公式说：整个网络的联合概率，可以拆成每个接头人“只根据直接上级决定自己行动”的概率之积。它把一张宏观的图，压缩成了一个个微观的规则。
  1. 联合分布左边的 $P(x_1,\dots,x_n)$ 表示所有变量同时取某一组值的概率，相当于“整个网络出现这种状态的可能性有多大”。
    P(x1,x2,…,xn)P(x_1, x_2, \dots, x_n)
  2. 乘积符号右边的 $\prod_{i=1}^{n}$ 把 n 个局部条件概率连乘，把“全局概率”拆成“局部规则”，这是因果图压缩信息的关键动作。
    ∏i=1n\prod_{i=1}^{n}
  3. 父节点$\operatorname{Pa}(x_i)$ 是 $x_i$ 的直接原因（父节点），条件概率 $P(x_i \mid \operatorname{Pa}(x_i))$ 表示“我只由直接上级决定，不关心更远的上级”。
    P(xi∣Pa⁡(xi))P\bigl(x_i \mid \operatorname{Pa}(x_i)\bigr)

等价类定义

阿理把两张不同的组织结构图拿给老同事看，对方却笑着说：“从日志看，它们完全相同。”他这才意识到：只要两张图的“接头关系”一样，且“消息汇合点”一样，任何日志都无法区分它们。这样的图被归进同一个家族，学名叫做马尔可夫等价类。

正式地说，两个 DAG 是马尔可夫等价的，当且仅当它们编码出完全相同的条件独立性集合。判定定理更简洁：骨架相同（谁和谁有边），且对撞子相同（哪些节点被两条箭头同时指向）。所谓骨架，就是把所有箭头抹掉后剩下的无向边；而“链 A→B→C”与“叉 A←B→C”骨架相同、又没有对撞子，因此它们天然是一对“双胞胎”。

等价类提醒阿理：很多时候他无法一锤定音，只能在几张候选图之间徘徊。与其反复改猜测，不如把整个等价类当作一个整体来研究——而等价类里唯一能“盖棺定论”的结构，就是下一节的对撞子。

G1≡G2  ⟺  skel⁡(G1)=skel⁡(G2) ∧ V(G1)=V(G2)\displaystyle G_1 \equiv G_2 \iff \operatorname{skel}(G_1) = \operatorname{skel}(G_2) \ \land\ \mathcal{V}(G_1) = \mathcal{V}(G_2)
等价判定定理：两张图只要“骨架一致、对撞子一致”，就必然属于同一等价类。这把“条件独立集合相同”这个抽象条件，变成了两个肉眼可查的图属性。
  1. 等价符号$G_1 \equiv G_2$ 读作“两张有向无环图马尔可夫等价”，意思是它们对观测数据而言完全无法区分。
    G1≡G2G_1 \equiv G_2
  2. 骨架条件$\operatorname{skel}(G_1)=\operatorname{skel}(G_2)$ 要求剔除箭头后的无向边完全一致，即“谁和谁有联系”相同。
    skel⁡(G1)=skel⁡(G2)\operatorname{skel}(G_1) = \operatorname{skel}(G_2)
  3. 对撞子条件$\mathcal{V}(G_1)=\mathcal{V}(G_2)$ 要求两张图的对撞子集合相同，即“哪些节点同时被两条箭头指向”完全一致。
    V(G1)=V(G2)\mathcal{V}(G_1) = \mathcal{V}(G_2)
  4. 逻辑与$\land$ 表示两条必须同时成立，缺一不可；这条判定准则叫作 Verma-Pearl 准则。
    ∧\land

对撞子结构

唯一的例外出现了。阿理发现 A 和 C 平时行动完全无关，可一旦 B 同时掌握两条线的动态，A、C 就会出现“此消彼长”的联动：A 这边动作大了，C 那边必然收敛。他立刻断定：A 和 C 都在向 B 汇报。这个“两条箭头汇入一个节点”的结构就是对撞子，它的方向性坚如磐石——是数据能提供的唯一定向铁证。

统计语言是这样的：变量 X、Y 边际独立，但以 Z 为条件后反而相关。这恰好与链（X→Z→Y）相反——链上 X、Y 在给定 Z 后是独立的。所以“不控制时无关、一控制反而相关”的指纹，只属于对撞子。这个反直觉的现象叫作“解释消除”：Z 的取值已经包含了 X 的功劳，再叠加 Y 的贡献时，若 Z 的观测值被固定，X 偏大就意味着 Y 偏小，于是出现负向联动。

对撞子像地下网的“核心枢纽”，是数据能盖章确认的唯一方向线索。PC 算法正是拿着这枚印章，去逐一检查每条三节点组合——这就是下一节的破案手册。

X⊥⊥Y,X̸ ⁣⊥⊥Y∣Z(X→Z←Y)\displaystyle X \perp\kern-5pt\perp Y, \qquad X \not\!\perp\kern-5pt\perp Y \mid Z \qquad (X \to Z \leftarrow Y)
这条公式是对撞子的“身份证”：平时 X 与 Y 互不相干，一旦已知 Z 的取值，X 与 Y 反而出现依赖。条件独立集合中的这一正一反，就是唯一能确定箭头方向的证据。
  1. 边际独立$X \perp\kern-5pt\perp Y$ 表示不控制任何变量时 X 与 Y 互不影响——对撞子的两个“父母”通常互不相干。
    X⊥⊥YX \perp\kern-5pt\perp Y
  2. 条件依赖$X \not\!\perp\kern-5pt\perp Y \mid Z$ 表示一旦已知 Z 的取值，X 与 Y 反而出现关联——这就是“解释消除”带来的负联动。
    X̸ ⁣⊥⊥Y∣ZX \not\!\perp\kern-5pt\perp Y \mid Z
  3. 结构标志$X \to Z \leftarrow Y$ 表示两条箭头都指向 Z，Z 是信息枢纽；只有这种形状会触发上面的独立性指纹。
    X→Z←YX \to Z \leftarrow Y

PC算法流程

阿理把破案过程整理成手册：PC 算法。第一步是骨架学习——从“所有人两两相连”的全连接图出发，逐条检查每一对变量：如果存在某个条件集，让这对变量条件独立，就删掉这条边。条件集从空集开始，逐步扩容到一阶、二阶，直到图不再变化为止。这一步依赖“忠实性假设”：数据里的条件独立关系，忠实反映了图结构里的 d-分离关系。

第二步是对撞子定向：扫描所有“三节点组 X–Z–Y”（其中 X 与 Y 不相连），如果 Z 不在 X、Y 的分离集中，就把两端箭头指向 Z，得到 X→Z←Y。第三步是传播定向：用几条机械规则——比如“已经有了 X→Z 且 Z–Y，就定向 Z→Y”——把确定性传播到更多边，同时保证不产生新环、不制造新的对撞子。手册虽机械，却严格：它绝不给数据不支持的边强行加箭头。阿理按手册跑完，得到的地图上一半是虚线——这正是下一节的部分有向图 PDAG。

Xi⊥⊥Xj∣S  ⟹  删除边 Xi−Xj\displaystyle X_i \perp\kern-5pt\perp X_j \mid \mathbf{S} \;\Longrightarrow\; \text{删除边 } X_i - X_j
骨架学习的核心规则：只要找到某个条件集 S，让 X_i 与 X_j 条件独立，就删除它们之间的边。删完之后，剩下的无向图就是因果骨架。
  1. 候选条件集$\mathbf{S}$ 是不包含 $X_i, X_j$ 的任意变量子集，从空集开始逐级扩展，模拟“在越来越多信息下两者是否还相关”。
    S⊆V∖{Xi,Xj}\mathbf{S} \subseteq V \setminus \{X_i, X_j\}
  2. 独立性检验$X_i \perp\kern-5pt\perp X_j \mid \mathbf{S}$ 表示给定 $\mathbf{S}$ 后二者条件独立，对应偏相关检验的 p 值大于阈值。
    Xi⊥⊥Xj∣SX_i \perp\kern-5pt\perp X_j \mid \mathbf{S}
  3. 删除规则$\Longrightarrow$ 读作“一旦发现就删”，这是骨架学习最核心的动作：条件独立意味着没有直接边。
    Xi−Xj∉skel⁡(G)X_i - X_j \notin \operatorname{skel}(G)

部分有向图

地图上有的边画了箭头，有的只是虚线。这张“半定向”的图叫部分有向无环图（PDAG）。它是整类马尔可夫等价图的“公分母”：把所有候选 DAG 放到一起，方向一致的边保留箭头，方向打架的边退化为无向边。换句话说，PDAG 把所有成员图的共识提取出来，把分歧如实暴露出来。

用人话讲，PDAG 是阿理能给出的最有诚意的答案——确定的部分盖章，不确定的部分画虚线，并明确告诉决策者“剩下这些方向，日志无能为力”。这也意味着因果发现的输出从来不是一张“全箭头图”，而是一张带着未知区域的诚实地图。

X→Y∈C([G])  ⟺  ∀G′∈[G]: X→Y∈G′\displaystyle X \to Y \in \mathcal{C}\bigl([G]\bigr) \iff \forall G' \in [G]:\ X \to Y \in G'
完成态 PDAG 的定向规则：只有等价类里每个成员图都包含 X→Y 这条箭头时，PDAG 才把它画成定向边；只要存在一个成员方向相反，它就退化为无向边。
  1. 完成态 PDAG$\mathcal{C}([G])$ 表示等价类 $[G]$ 的完成态部分有向无环图，它把该类所有成员“求并集后取共识”。
    C([G])\mathcal{C}\bigl([G]\bigr)
  2. 共享方向$X \to Y \in \mathcal{C}([G])$ 表示这条箭头出现在完成态 PDAG 中，即方向被整个等价类一致认可。
    X→Y∈C([G])X \to Y \in \mathcal{C}\bigl([G]\bigr)
  3. 全称量化$\forall G' \in [G]$ 遍历等价类里的每一个候选 DAG，要求无一例外都包含同向箭头。
    ∀G′∈[G]\forall G' \in [G]

可辨识边界

链 X→Y→Z 和叉 X←Y→Z 在等价类里是双胞胎：任意大的数据量下，日志都一模一样。阿理意识到，想区分它们，必须从“观测”转向“干预”——主动给 X 发一条假情报，看 Z 的动静会不会变。会变，说明 X 确实在指挥链路上，是链；纹丝不动，说明 X 只是下游的传声筒，是叉。

除了干预，时间先后、领域知识、非高斯性等额外信息也能帮忙，但核心原则不变：凡等价类内共享的方向都可辨识，凡等价类内不同的方向都不可辨识——这就是“可辨识边界”。阿理最终把报告写成两部分：“数据已证明”和“数据无法证明”。边界之外，要么做实验，要么诚实地说不知道——这正是因果科学最可贵的品质。

链: P(c∣do(a))=∑bP(c∣b) P(b∣a),叉: P(c∣do(a))=P(c)\displaystyle \text{链: } P(c \mid do(a)) = \sum_{b} P(c \mid b)\, P(b \mid a), \qquad \text{叉: } P(c \mid do(a)) = P(c)
do 算子模拟“人为强制 A 取某个值”，它切断所有指向 A 的箭头。如果干预 A 后 C 的分布变了，说明存在 A→…→C 的路径；如果不变，说明 C 不在 A 的下游。
  1. 干预算子$do(a)$ 表示“人为强制 A 取值为 a”，它切断所有指向 A 的箭头，只保留从 A 向外的传播——这是观测数据永远做不到的。
    do(a)do(a)
  2. 链式求和$\sum_{b} P(c\mid b)\, P(b\mid a)$ 沿中间人 B 把所有传导路径加权求和，反映“干预 A 后，影响确实顺着 B 流到了 C”。
    ∑bP(c∣b) P(b∣a)\sum_{b} P(c \mid b)\, P(b \mid a)
  3. 叉式结论$P(c \mid do(a))=P(c)$ 表示干预 A 后 C 的分布纹丝不动——因为 A 只是 B 的下游，不存在从 A 流向 C 的箭头。
    P(c∣do(a))=P(c)P(c \mid do(a)) = P(c)

AI 应用场景

基因调控网络重建

阶段：结构学习（因果发现）

解决的问题：传统共表达网络只能显示基因之间的相关，无法区分调控方向。用 PC 算法从转录组数据重建调控网络时，输出的是 PDAG：对撞子结构（如“转录因子 A 和 B 共同调控靶基因 C”）可以被唯一定向，而链式通路的方向属于马尔可夫等价类，必须靠 CRISPR 敲除实验才能确认。等价类分析帮科学家把“数据已证明”和“待实验验证”明确分开。

具体案例：某肿瘤研究组用 300 份乳腺癌 RNA-seq 样本跑 PC 算法，得到的调控 PDAG 中，TP53 相关的几条对撞子边被唯一定向，而“增殖通路”的链式方向仍是无向边，后续用基因敲除实验补齐方向。

电商转化路径归因

阶段：因果推断与归因分析

解决的问题：日志里“看了推荐页→加购→购买”的方向看似明显，但“加购”与“购买”也可能是大促这类共同原因造成的。用 PC 算法对用户会话变量做骨架学习，再结合等价类分析，能明确指出哪些环节的方向已被数据证明，哪些环节必须做 A/B 实验才能定向，避免把相关当因果做出错误投放决策。

具体案例：某电商分析用户行为日志，PC 发现“推荐曝光→加购”与“搜索→加购”构成对撞结构，可确证；而“加购→购买”与“购买→加购”落在同一等价类中，最终用灰度实验确认真实方向后，才调整了推荐策略。

临床风险因素识别

阶段：因果假设验证

解决的问题：电子病历是典型的观测数据，“血压高→心梗”与“心梗前兆→血压高”会生成相同的条件独立关系，单靠统计建模无法区分。先用 PC 给出骨架与等价类标记，研究者就知道哪些方向需要额外证据，进而用孟德尔随机化（遗传工具变量）或随机对照试验来突破可辨识边界。

具体案例：某药企分析 5 万份高血压病历，PC 输出的 PDAG 显示“药物使用”与“血压改善”之间的箭头方向不确定，团队改用遗传风险评分作为工具变量，才确认了药物降低血压的因果方向。

Python 演示

python69 行
import numpy as npfrom itertools import combinationsfrom math import sqrt, log, erf  def fisher_pval(r, n, k):    # Fisher z 变换, 检验偏相关系数是否为 0    z = 0.5 * log((1 + r) / (1 - r)) * sqrt(n - k - 3)    return 2 * (1 - 0.5 * (1 + erf(abs(z) / sqrt(2))))  def partial_corr(X, i, j, S):    # 给定条件集 S 时 i 与 j 的偏相关系数    idx = [i, j] + list(S)    C = np.linalg.inv(np.cov(X[:, idx].T))    return -C[0, 1] / sqrt(C[0, 0] * C[1, 1])  def pc_skeleton(X, alpha=0.05):    # PC 算法第一阶段: 从全连接图出发删除条件独立边    n, p = X.shape    adj = [[i != j for j in range(p)] for i in range(p)]    sepset = {}    for k in range(p):        for i in range(p):            for j in range(i + 1, p):                if not adj[i][j]:                    continue                others = [t for t in range(p) if t != i and t != j]                for S in combinations(others, k):                    r = partial_corr(X, i, j, S)                    if fisher_pval(r, n, len(S)) > alpha:                        adj[i][j] = adj[j][i] = False                        sepset[(i, j)] = S                        break    return adj, sepset  def orient_colliders(adj, sepset, p):    # 第二阶段: 若 j 不在 i-k 的分离集中, 定向 i->j<-k    oriented = []    for i in range(p):        for k in range(i + 1, p):            if adj[i][k]:                continue            for j in range(p):                if j != i and j != k and adj[i][j] and adj[j][k]:                    S = sepset.get((i, k), sepset.get((k, i), []))                    if j not in S:                        oriented.append((i, j, k))    return oriented  def main():    np.random.seed(7)    n = 4000    a = np.random.normal(size=n)    c = np.random.normal(size=n)    b = 0.8 * a + 0.8 * c + np.random.normal(size=n) * 0.5    X = np.column_stack([a, b, c])    adj, sepset = pc_skeleton(X)    print('骨架邻接矩阵 (0 表示无边):')    print(np.array(adj, dtype=int))    print('对撞子定向结果 (i, j, k 表示 i->j<-k):')    print(orient_colliders(adj, sepset, 3))  if __name__ == '__main__':    main()
目的：用 PC 算法的骨架学习与对撞子定向两个阶段，从合成的观测数据中重建因果结构，验证“只有对撞子方向可辨识”这一核心结论。
  1. z = 0.5 * log((1 + r) / (1 - r)) * sqrt(n - k - 3)Fisher z 变换把相关系数转成近似正态的统计量，用来算条件独立的 p 值。
  2. C = np.linalg.inv(np.cov(X[:, idx].T))用协方差矩阵的逆（精度矩阵）计算偏相关系数，等价于“控制住其他变量后的相关”。
  3. for S in combinations(others, k):从小到大遍历所有候选条件集，对应 PC 算法“分离集逐级扩容”。
  4. if fisher_pval(r, n, len(S)) > alpha:p 值大于阈值说明条件独立，这是删边的唯一判据。
  5. adj[i][j] = adj[j][i] = False无向边要双向删除，保证骨架对称。
  6. sepset[(i, j)] = S记录分离集，供第二阶段判断“中间人是否在分离集中”。
  7. if j not in S:对撞子定向的核心条件：j 不在 i、k 的分离集中，就定向为 i→j←k。
  8. b = 0.8 * a + 0.8 * c + np.random.normal(size=n) * 0.5生成对撞子结构 A→B←C 的合成数据，B 同时受 A、C 影响。

常见误区

误区“我用 PC 算出来 X 和 Y 在给定 Z 后 p 值很大，所以 X 和 Y 之间肯定没有因果联系，可以放心地忽略它们。”

正解条件独立只说明“控制 Z 后没有直接边”，不代表没有因果路径。比如链 X→Z→Y 中，X 与 Y 在给定 Z 后条件独立，但 X 依然是 Y 的因，只是影响经过 Z 间接传递。PC 删除的只是“直接边”，间接效应和因果路径依然存在。把“无偏相关”说成“无因果”，就像因为看不到中间人 B 的转述，就断言 A 从未影响过 C。

为何常见：初学者容易把“统计独立”等同于“没关系”，忽略了间接路径与中介变量的存在。

误区“两张图只要边一样，方向怎么画都行，反正它们属于同一个马尔可夫等价类，我随便挑一张交差。”

正解马尔可夫等价的判定是“骨架相同 + 对撞子相同”。对撞子是一票否决项：把 X→Z←Y 改成 X→Z→Y，条件独立集合立刻改变，就不再等价。方向只能在“不触碰对撞子、不产生新环”的范围内摇摆。所谓“随便画”，其实有一整套无环与对撞子约束。

为何常见：只记住了“方向不可辨识”的印象，却忘了唯一的例外——对撞子，以及无环性对方向的限制。

误区“跑完 PC 算法，我就得到了每条边都带箭头的因果 DAG，可以直接拿去写报告、做决策了。”

正解PC 算法输出的是 PDAG（部分有向无环图），大量边仍然无向——这些正是等价类内方向存在分歧的边。强行随机定向会制造虚假的因果结论。规范做法是把 PDAG 当作等价类的代表，再结合干预实验或背景知识补全方向，而不是假装数据已经给出了全部答案。

为何常见：教程里展示的最终图常常是已经补全方向的样子，让人误以为定向规则能解决一切。

误区“现在数据量动辄上亿，加上深度学习模型，肯定能把 X→Y→Z 和 X←Y→Z 分开，只是以前算法不够强而已。”

正解这是可辨识性问题，不是精度问题。链与叉产生完全相同的条件独立集合，任何观测数据、任何算法、任何样本量都无法区分；必须依靠干预、时间顺序或领域假设等额外信息。数据再多，也突破不了马尔可夫等价类划下的边界——就像再清晰的影子照片，也拍不出背对镜头的人长什么样。

为何常见：深度学习中“数据越多越强”的直觉被错误迁移到因果结构识别上，忽略了统计学上的不可辨识性。

面试题

Q1. 两个 DAG 属于同一马尔可夫等价类的充要条件是？

单选题 · easy

  • A.节点数量完全相同
  • B.骨架与对撞子一致← 正确答案
  • C.边的数量恰好一样多
  • D.每个节点的父节点相同

答案：B。马尔可夫等价类由“骨架相同 + 对撞子相同”完全刻画（Verma–Pearl 准则）。节点数、边数相同只是必要但不充分；父节点相同则过强——链与叉父节点不同却依然等价，所以 B 正确。

Q2. 对撞子结构 X→Z←Y 的统计特征是？

单选题 · easy

  • A.X 与 Y 边际独立且条件独立
  • B.X 与 Y 边际独立，给定 Z 后相关← 正确答案
  • C.X 与 Y 始终存在正相关关系
  • D.X 与 Y 的相关性与 Z 无关

答案：B。对撞子的指纹正是“边际独立、条件依赖”。Z 是 X 与 Y 的共同后代，固定 Z 后出现“解释消除”的负向联动；A、C、D 都与这条指纹相反，因此错误。

Q3. PC 算法骨架学习阶段删除一条边的依据是？

单选题 · easy

  • A.两变量相关系数显著大于零
  • B.存在条件集使两变量条件独立← 正确答案
  • C.两变量的方差差异足够大
  • D.两变量不在同一个等价类中

答案：B。骨架学习的核心是找到“分离集”：只要存在某个条件集让两变量条件独立，就删除这条边。相关系数显著恰恰说明有边而不是删边，方差与等价类都与删边判据无关。

Q4. 链 A→B→C 与叉 A←B→C 的关系是？

单选题 · mid

  • A.二者条件独立集合完全相同← 正确答案
  • B.二者包含不同数量的对撞子
  • C.只有叉结构可由数据识别
  • D.二者属于两个不同的等价类

答案：A。链与叉都满足 A⊥C|B，且都没有对撞子，因此属于同一马尔可夫等价类，条件独立集合完全相同。既然属于同一类，就不可能被观测数据区分，B、C、D 均错误。

Q5. 能打破链与叉之间等价性的手段有？

多选题 · mid

  • A.主动干预实验得到 do 数据← 正确答案
  • B.消息传递的时间先后信息← 正确答案
  • C.无限增加观测样本量
  • D.领域专家提供的背景知识← 正确答案

答案：ABD。马尔可夫等价类是“观测数据的可辨识边界”，无论样本量多大都无法突破；而干预实验、时间先后、专家知识都属于额外信息，能给方向判定提供新的约束，从而打破等价性。

Q6. 关于部分有向无环图（PDAG）正确的有？

多选题 · mid

  • A.定向边是所有等价成员的共享方向← 正确答案
  • B.无向边表示等价类内方向有分歧← 正确答案
  • C.PDAG 只能由干预实验来构建
  • D.完成态 PDAG 可代表整个等价类← 正确答案

答案：ABD。完成态 PDAG 是等价类的“公分母”：定向边是全体成员共享的方向，无向边表示成员之间存在方向分歧。PC 算法从观测数据就能构建 PDAG，不需要干预实验，C 错误。

Q7. PC 算法的执行顺序是？

单选题 · mid

  • A.边定向 → 骨架学习 → 规则传播
  • B.骨架学习 → 对撞子定向 → 规则传播← 正确答案
  • C.规则传播 → 骨架学习 → 边定向
  • D.骨架学习 → 规则传播 → 对撞子定向

答案：B。PC 算法先做骨架学习（条件独立删边），再通过对撞子定向锁定唯一铁证，最后用传播规则在不产生新环、新对撞子的前提下扩展定向边。其余顺序都颠倒了因果依赖关系。

Q8. 关于对撞子在可辨识性中的作用，正确的有？

多选题 · hard

  • A.对撞子是数据可辨识的方向指纹← 正确答案
  • B.翻转对撞子方向会改变条件独立集← 正确答案
  • C.对撞子越多等价类中的图越多
  • D.PC 用分离集检验来寻找对撞子← 正确答案

答案：ABD。对撞子产生“边际独立、条件依赖”的独特指纹，翻转它的方向会改变指纹，因此它是可辨识方向的核心。对撞子越多，约束越多，等价类反而越小，C 错误。PC 正是通过“中间人不在分离集中”来识别对撞子。

Q9. 完成态 PDAG 中无向边 X—Y 的含义是？

单选题 · hard

  • A.X 与 Y 之间确定没有因果联系
  • B.等价类中既有单向又有反向成员← 正确答案
  • C.该边必然来自对撞子结构
  • D.该边只能在干预实验后出现

答案：B。无向边表示等价类内部方向存在分歧：有些成员 DAG 是 X→Y，另一些是 Y→X。无向边与对撞子没有必然联系，也不依赖干预实验；它说明观测数据无法在这两个方向之间做出裁决。

Q10. 对撞子 X→Z←Y 中固定 Z 后 X 与 Y 呈现？

单选题 · extreme

  • A.保持独立不受 Z 任何影响
  • B.此消彼长的负向联动关系← 正确答案
  • C.同涨同跌的正向联动关系
  • D.联动方向取决于样本量

答案：B。这就是“解释消除”：Z 的取值已包含 X 的贡献，固定 Z 后，X 偏大意味着需要 Y 偏小来补足，形成负向联动。A 违背条件依赖指纹，C 符号相反，D 与样本量无关。