结构因果模型SCM：反事实

可视化演示

展示结构因果模型反事实三步法（溯因-干预-预测）、孪生网络表示及do算子与反事实的本质区别，揭示因果阶梯L2与L3的差异。

反事实定义

“如果那天我带了伞，就不会被淋成落汤鸡吧？”几乎每个人都曾在雨后的公交站台，对着湿漉漉的自己发出过这样的懊悔。时光旅行社的第一张宣传海报，印的就是这句话。这种“在假设中重构过去”的提问，正是反事实（counterfactual）的日常原型。

在SCM的语境里，反事实是一个有严格结构的问题：给定观测证据 \(E=e\)（事实），假设我们将某个变量 \(X\) 干预为 \(x'\)（改写历史），问结果变量 \(Y\) 会如何取值。它和“预测”不同——预测面向未来，反事实面向被改写的过去；它和“一般干预”也不同——干预关心“所有人把X设为x会怎样”，反事实关心“眼前这个具体的人，当年若X不同会怎样”。

正是这种“贴着具体个体”的提问，让反事实成了政策评估、医疗决策中最锋利但也最依赖假设的工具。它逼我们分清三个世界：观测到的现实、干预后的世界、以及针对个体的假设世界。

旅行社前台反复提醒客户：“我们不回答'人类如果都学医会怎样'，我们只回答'你，如果当年学了医会怎样'。”这份“只针对你”的承诺，就是反事实和其他因果问题的分水岭。

SCM三要素

一份合格的“人生剧本”，编剧必须准备三件事：第一，角色清单——故事里有哪些人物和事件；第二，规则手册——每一幕情节如何由前情和角色特质推导出来；第三，隐藏设定——每个角色身上那股说不清的“运势”。三者缺一，剧本就无法开拍。

结构因果模型（SCM）就是这份剧本的数学形态。它由三样东西组成：外生变量 \(U\)，对应“隐藏设定/运势”，是模型外部不可观测、不由剧本解释的随机来源；内生变量 \(V\)，对应“角色与事件”，是剧中被其他变量决定的观测变量；结构方程 \(F\)，对应“规则手册”，为每个内生变量规定一个生成公式。三者合在一起，定义了世界如何运转。

外生变量 \(U\) 的分布 \(P(U)\) 是故事的源头随机性；内生变量的方程则全部是“机械而确定”的——一旦给定父节点和外生项，内生变量的值就被锁定。这种“确定机制＋外生随机”的设计，是SCM能够支持反事实证明的关键：它让我们能精确地说出“哪一步被改写、哪一步必须原样保留”。

剧本开拍之前，导演最重要的工作是核对三要素。反事实推理也一样：不先认清楚哪些变量是“角色”（内生）、哪些是“运势”（外生）、规则写在哪里（结构方程），后面的穿越只会变成一场糊涂的梦。

因果图表示

剧本文案再详尽，导演也先看分镜图——一张把每个角色画成圆圈、把“谁影响谁”画成箭头的图纸。时光旅行社的档案室里，每位客户都有一张这样的分镜图。

因果图（Causal DAG）是SCM的可视化投影。图中每个节点对应一个变量（外生或内生），每条有向边 \(X \to Y\) 表示“X 是 Y 的直接原因”，图中一个变量所有的直接原因，称为它的“父亲节点”集合。图是“谁影响谁”的定性描述，结构方程是“影响多大、噪声多大”的定量描述。

因果图必须是无环的（DAG）：沿着箭头不可能绕回自身，否则会出现“我导致我”的悖论。这张图最大的用处，是在反事实推理时帮我们看清干预的边界——剪断哪条箭头（指向X的边）、保留哪条箭头（其余所有边）。图中信息一目了然，不容易出错。

分镜图上，U2 指向 Y 的箭头始终保留，X 指向 Y 的箭头也保留，唯有“U1 指向 X”的那条边在穿越时被画上红叉。哪条线能动、哪条线不能动，导演和时光旅行社都在同一张图上签字确认。

三步法总览

时光旅行社的合同正文只有三行：验明正身、改写剧本、重演人生。所有“如果当初”的服务，本质上都是这三步的组合拳。

在SCM中，这三步有正式的名字：外推（Abduction）、干预（Action）、预测（Prediction）。外推用观测证据把外生变量的先验变成后验；干预把目标变量的结构方程替换为常数；预测在修改后的模型里，用后验外生变量重新计算目标变量的分布。

这个公式把三步行云流水地串在一起：左边是“在事实 e 下，若 X=x 则 Y=y”的概率；右边先用 \(P(u \mid e)\) 完成外推，再让 \(Y_x(u)\) 完成干预加预测——对每个可能的运气，检查新剧本是否给出 y，最后按后验概率加权。说白了一句话：在“和历史吻合的运气”里，平行世界的 Y 有多大概率等于 y。

“验明正身”锁定了你的运势档案，“改写剧本”撕掉你选错的那一页，“重演人生”用同样的运气跑完新剧本。三步做完，旅行社才能郑重地告诉你：如果当年学医，你有百分之多少的概率比现在幸福。

证据后验更新

前台小姐不会轻易相信“我一直运气很好”这种话。她会拿出你的简历和工资条，在档案系统里检索：什么运气区间，才能解释一个学了计算机、月薪三万的人？这一检索动作，就是外推。

外推环节数学上就是贝叶斯更新。初始时外生变量 \(U\) 服从先验 \(P(U)\)——对所有人一视同仁；观测到证据 \(E=e\) 后，我们淘汰那些“解释不了证据”的运气，保留能合理解释当下剧情的那些，得到后验 \(P(U \mid e)\)。

后验分布的形状透露了证据的力量：如果后验又尖又窄，说明当前事实强有力地锁定了“运气”的范围；如果后验依然宽泛，说明同样的事实可能来自多种运气组合，反事实的结论也将带着更大的不确定性。这正是反事实推理诚实的体现——它从不假装知道它不知道的事。

验明正身的最终产物是一张“运势区间卡”，上面写着：根据现有剧情，您的运气大概率在 -0.3 到 0.4 之间。这张卡会一直用到穿越结束——无论新剧本怎么改，卡上的运气都不许换。

干预与do算子

剧本第 3 页写着：“学历 = 天赋 × 0.8 + 噪声”。你要改写这一页——不是在上面的等式里改数字，而是把整行撕掉，贴上一张新字条：“学历：= 硕士”。改写之后，无论天赋和噪声怎么折腾，学历都死死等于硕士。这就是 do 算子。

在SCM中，干预 \(do(X=x)\) 就是执行一次这样的“撕页手术”：删除 X 原有的结构方程，将其替换为常数 \(x\)。其余变量的方程全部保留，得到子模型 \(M_x\)。

这个操作和“条件化 \(X=x\)”有本质区别：条件化只是从数据中筛出 \(X=x\) 的样本，X 的生成机制还在；干预则彻底切断了指向 X 的因果箭头，让 X 不再受父节点与外生扰动影响。因此 \(P(Y \mid do(X=x))\) 通常不等于 \(P(Y \mid X=x)\)——前者是“全员改学历后的薪资分布”，后者只是“工程师人群的薪资分布”。

时光旅行社纪律严明：你可以在穿越中把“学历”这一页换成新内容，但绝不允许顺手把“天赋”那一页也撕了。如果连外生条件一起改，故事就不再是“如果当初”，而是“如果我是另一个人”。

因果之梯

旅行社的培训手册用三句话概括人类理解因果的三级境界：看见——“下雨和地湿总是同时出现”；动手——“我朝地上泼一盆水，地果然湿了”；想象——“如果今天没下雨，这片地现在应该是干的”。

这三级境界就是 Pearl 的因果之梯。第一层“关联”只回答问题“若 \(X=x\)，Y 如何（在数据中）”，记作 \(P(Y \mid X=x)\)；第二层“干预”可以回答“若我把 X 设为 x，Y 如何”，记作 \(P(Y \mid do(X=x))\)；第三层“反事实”回答“在证据 e 下，若当年 \(X=x\)，Y 会如何”，记作 \(P(Y_x \mid e)\)。

越往梯子上爬，需要的资源越多：关联层只需观测数据，干预层需要可控实验或有效的因果假设，反事实层需要“完整结构方程＋证据外推＋精确干预”三件套。但回报也越大——只有第三层能回答那些让人类最着迷的问题：“如果当初……”。

看见是路人的直觉，动手是科学家的实验，而想象，是时光旅行社的独门生意。从第一层爬向第三层，是一个模型从“懂相关”到“懂因果”再到“懂平行人生”的成长阶梯。

应用场景

翻开时光旅行社的客服留言本，你会发现三个出现频率最高的请求，恰好对应三类客户：政府官员、医生和产品经理。

政策评估中，官员会问：“如果当年没有发放这轮创业补贴，县域里的小微企业存活率会下降多少？”反事实的算法是：以每家企业的真实经营记录为证据做外推，固定企业特征（外生变量），把“补贴”干预为 0，重演无补贴世界的存活情况。医学研究中，医生会问：“如果这位患者当初用 B 药而非 A 药，5 年生存概率有多大？”以患者完整的病程史为证据，把用药变量锁定为 B，保持其身体基底（外生）不变，推演出个体化的反事实结果。商业决策中，产品经理会问：“如果上个月不做大促，这款产品的销量会差多少？”以历史购买行为为证据，把促销策略干预为“不促销”，保持季节与人群偏好不变，算出假设世界的销量。

三个问题的共同点：事实现实已经发生，且不可重来；但我们依然想量化“另一条路”的结果。反事实推理不需要真的复制一个平行宇宙，只需要结构方程足够忠实地描述世界，外加一次运算就能回答。

每一次“如果当初”，都是一张时光旅行社的正式工单。它不能改变已经发生的过去，却能让未来的决策者看清：那条没走的路，究竟通向哪里。

AI 应用场景

Python 演示

import numpy as np  class SalarySCM:    """简化结构因果模型: 学历X与薪资Y, 天赋U为外生变量"""     def __init__(self):        self.u_std = 1.0   # 天赋U的先验标准差        self.a = 0.8       # U对X的因果系数        self.b = 1.2       # U对Y的因果系数        self.c = 0.5       # X对Y的因果系数     def predict(self, u):        """给定外生变量u, 按结构方程计算内生变量"""        x = self.a * u        y = self.c * x + self.b * u        return x, y     def abduction(self, x_obs, y_obs, n=3000):        """第1步 外推: 用观测证据筛出U的后验样本"""        rng = np.random.default_rng(0)        candidates = rng.normal(0, self.u_std, n * 20)        x_pred, y_pred = self.predict(candidates)        loss = (x_pred - x_obs) ** 2 + (y_pred - y_obs) ** 2        keep = np.argsort(loss)[:n]        return candidates[keep]     def counterfactual(self, x_obs, y_obs, x_new, n=3000):        """三步法: 外推 + 干预(do) + 预测"""        u_post = self.abduction(x_obs, y_obs, n)        _, y_factual = self.predict(u_post.mean())        # do(X=x_new): 删除X的方程, 保持U后验不变, 重新预测Y        y_cf = self.c * x_new + self.b * u_post        return y_factual, y_cf.mean()  if __name__ == "__main__":    rng = np.random.default_rng(7)    scm = SalarySCM()    u_true = rng.normal(0, scm.u_std)    x_obs = scm.a * u_true + rng.normal(0, 0.05)    y_obs = scm.c * x_obs + scm.b * u_true + rng.normal(0, 0.1)    y_fact, y_cf = scm.counterfactual(x_obs, y_obs, x_new=0.0)    print(f"观测: 学历X={x_obs:.2f}, 薪资Y={y_obs:.2f}")    print(f"事实(原路径): Y={y_fact:.2f}")    print(f"反事实(若X=0): Y={y_cf:.2f}")

1. y = self.c * x + self.b * u薪资的结构方程：学历贡献 c*x，天赋贡献 b*u
2. loss = (x_pred - x_obs) ** 2 + (y_pred - y_obs) ** 2外推的评分函数：候选天赋越贴近观测，损失越小
3. keep = np.argsort(loss)[:n]只保留最贴合证据的“运势”样本，形成后验
4. u_post = self.abduction(x_obs, y_obs, n)三步法第 1 步：验明正身
5. y_cf = self.c * x_new + self.b * u_post干预＋预测：X 锁为新值，U 原样保留，重演人生
6. print(f"反事实(若X=0): Y={y_cf:.2f}")输出平行世界的平均薪资

常见误区

面试题