结构因果模型SCM：外生/内生变量

可视化演示

展示决策树从根节点开始逐层分裂的构建过程，每个节点显示划分条件和样本分布，步进控制观察树的生长。

外生变量特性：门外的未知数

清晨，面包房的老板站在窗前，今天的面粉供应商会不会准时送货？昨天夜里下了一场雨，湿度会怎样影响发酵？老板很清楚，这些事不在他的控制范围内，他也不需要为它们写任何“制作流程”——它们只是从门外涌进来的条件。在结构因果模型里，这样的变量被称为外生变量。

外生变量是模型之外的因素，它们不由模型内的其他变量决定。在因果图中，没有任何箭头指向它们；我们可以观察它们、测量它们，但模型不负责解释“它们从何而来”。它们可能是真实的物理量，也可能是未被观测到的随机噪声。SCM 通常将它们统一记作 \( U \)，并且给定它们的联合分布。

用数学语言来说，外生变量携带的外部分布就是整个因果系统的“初始动力”。面包房不会去解释“为什么今天是晴天”，但它必须把晴天当作一个给定条件来接受。建模者也一样：SCM 不会解释外生变量为何取某个值，而是把它们当作客观存在的外部输入。

回到面包房：供应商、天气、面粉质量就是外生 \( U \)。面包房不会为它们写制作流程，但它们最终影响了面包的每一个细节。这种“门外因素”的定位，正是因果模型所有推理的起点。

内生变量特性：门内的生产线

现在走进厨房。面粉到了，鸡蛋到了，老板把它们交给面包师。面包师按照配方把原料混合、揉面、发酵、烘烤——于是有了面团，有了面包。这一切都在厨房内发生，并且完全遵循一套流程。凡是厨房里“做出来”的东西，就叫内生变量。

内生变量的核心特征是：它由模型内部的其他变量通过结构方程生成。在因果图里，每个内生变量至少有一条指向它的箭头；这些箭头来自它的“父代变量”，也就是直接决定它的因素。父代可以是外生变量，也可以是其他内生变量。

用面包房来对照：面团 \( X_1 \) 由面粉 \( U_1 \) 和水 \( U_2 \) 决定；面包 \( X_2 \) 由面团 \( X_1 \) 和烤箱温度 \( U_3 \) 决定。\( X_1, X_2 \) 都是内生变量，它们的父代中既有外生因素，也有上游的内生因素。

面包是“做出来”的，不是“本来就有的”。内生变量的本质就是如此：它们从结构方程中诞生，带着父代的烙印和一丝外部噪声，成为系统内部因果链条上的一环。

结构方程语言：手写一张配方

面包房的墙上挂着一本配方手册：水多了加面，面多了加水；发酵时间取决于室温；烘烤温度决定表皮颜色。每个产品都有属于自己的制作步骤。SCM 的结构方程，就是给每一个内生变量写一份这样的“配方”。

结构方程是 SCM 的核心语法。它的特别之处在于赋值符号 \( := \)，强调“生成”而非“相等”。普通的 \( = \) 表示两边数值上相等，而 \( := \) 表示右侧经过一个过程产生了左侧。这不是统计回归里的相关性描述，而是一条因果制造规则：只要父代和外生噪声的值给定，内生变量的值就被确定地“做”了出来。

配方与回归的区别，就是“制作”与“猜测”的区别。回归模型只告诉你“看到 A 时通常会出现 B”，结构方程却告诉你“要让 B 变成某个值，应该怎样改变 A”。这正是干预分析能成立的前提。

因果图表达：画一张供应链地图

面包房经理喜欢在白板上画流程图：供应商箭头指向仓库，仓库箭头指向生产间，生产间箭头指向成品区。谁供给谁，一眼便知。SCM 同样用一张有向图来概括变量之间的因果供给关系，这张图叫因果图。

在因果图中，节点是变量，有向箭头表示直接的因果生成关系。外生变量因为没有入边，天然是整张图的“起点”；内生变量至少有一条入边，它们的位置体现了因果传递的层次。更重要的是，这张图必须有向无环：因果不能转圈，因为现实中不存在“A 导致 B、B 又导致 A”的无限循环生成过程。

一图胜千言。因果图把复杂的方程系统压缩成一张供应链地图：你一眼就能看出谁是“门外的供应商”（外生），谁是“加工车间”（内生），以及因果从哪条路线传导到最终的成品。

分布传导规则：从源头到成品

面包房的成品每天都在变化：有时焦一点，有时软一点。老板知道，这种波动并非没有规律——面粉的批次差异、天气的起伏，这些外生波动顺着配方一步步传递，最终演变成成品面包的分布。外生变量的分布，决定了内生变量的可观测分布，这正是 SCM 的传导逻辑。

只要给出外生变量的联合分布和全套结构方程，系统内部每个内生变量的分布就能被严格推导出来：先对外生变量取一个值，然后按方程顺序逐层算出所有内生变量；对所有可能的外生取值汇总，就得到内生变量的联合分布。简单说，源头波动通过方程变成下游分布。

面粉质量的每一次微小波动，最终都会在面包的品相分布里留下痕迹。SCM 最漂亮的地方就在这里：外部世界的随机性如何被结构方程“翻译”成内部可观测的不确定性，整个过程一目了然。

实际辨识价值：分清了才有干预

假设面包房想推出新品：明天开始，把配方中的糖量固定为原来的两倍。老板真正要做的事，是“干预”——强行改变糖的生成规则，而不是等待配方自然变化。要完成这个动作，他必须先知道哪些变量是系统外给定的（糖是外生进货），哪些是系统内生成的（面包口味是内生产出）。区分外生与内生，是定义任何干预操作的前提。

在 SCM 中，干预操作记作 \( do(X=x) \)，它意味着：强制让内生变量 \( X \) 等于 \( x \)，同时切断之前指向 \( X \) 的所有箭头。原结构方程被删除，\( X \) 暂时变成一个“被外部固定”的量。至于下游变量 \( Y \) 如何变化，则通过保留的剩余方程重新计算。如果不区分内外，你就不知道哪些箭头该切断，更不知道干预后世界的因果结构长什么样。

政策评估之所以需要因果模型，是因为决策者关心的不是“相关”而是“干预后的效果”。减税 \( do(\text{tax} = t) \) 之后收入如何变化？换药 \( do(\text{drug} = d) \) 之后病情如何分布？所有这些问题，都从一个最简单的动作开始：认出谁是门外来的外生变量，谁是门内生成的内生变量。

AI 应用场景

Python 演示

import numpy as np np.random.seed(2024)# 1. 外生变量: 外部世界给定的随机噪声def sample_exogenous(n):    u_dough = np.random.normal(loc=0.0, scale=1.0, size=n)    u_oven = np.random.normal(loc=0.0, scale=0.5, size=n)    return u_dough, u_oven # 2. 内生变量: 由结构方程生成的系统内部变量def structural_model(u_dough, u_oven):    dough = 3.0 + 2.0 * u_dough    bread = 10.0 + 1.5 * dough + u_oven    return dough, bread def main():    n = 20000    u_dough, u_oven = sample_exogenous(n)    dough, bread = structural_model(u_dough, u_oven)     print("外生变量 u_dough 均值: %.3f, 标准差: %.3f" % (u_dough.mean(), u_dough.std()))    print("内生变量 dough 均值: %.3f, 标准差: %.3f" % (dough.mean(), dough.std()))    print("内生变量 bread 均值: %.3f, 标准差: %.3f" % (bread.mean(), bread.std()))     # 3. 干预: do(dough=5.0), 切断 u_dough -> dough 的箭头    n_do = 20000    u_oven_do = np.random.normal(loc=0.0, scale=0.5, size=n_do)    dough_do = np.full(n_do, 5.0)    bread_do = 10.0 + 1.5 * dough_do + u_oven_do    print("干预 do(dough=5.0) 后 bread 均值: %.3f" % bread_do.mean()) if __name__ == "__main__":    main()

1. import numpy as np引入科学计算库，所有随机抽样与向量运算都基于它。
2. u_dough, u_oven = np.random.normal(...)模拟两股外生噪声：面团原料波动与烤箱温度波动，是系统外部输入。
3. dough = 3.0 + 2.0 * u_dough内生变量“面团”的结构方程：常数、外生噪声的线性变换就是它的生成机制。
4. bread = 10.0 + 1.5 * dough + u_oven内生变量“面包”的方程：依赖父代 dough，并附有独立外生噪声 u_oven。
5. print("外生变量 u_dough 均值: ...")打印外生与内生的均值、标准差，观察噪声如何向下游传导。
6. dough_do = np.full(n_do, 5.0)干预动作 \( do(dough=5.0) \)：把面团固定为常量，切断外生输入到它的路径。
7. bread_do = 10.0 + 1.5 * dough_do + u_oven_do干预后仅保留 dough→bread 的方程，用于计算新的面包分布。

常见误区

面试题