结构因果模型SCM：干预操作do(X=x)

可视化演示

展示K近邻算法的分类过程，移动查询点观察最近K个邻居的投票结果，调节K值影响分类决策。

观察与干预：从被动看到主动改

厂房里的总闸时常忽大忽小，反应釜的温度跟着乱跳。如果你想弄清“阀门 X 调到刻度 x 时，釜温会怎样”，每天蹲在控制室翻历史记录，只挑出 X 恰好等于 x 的时刻来看釜温，这是观察；另一种做法是走进车间，把 X 的阀杆拆下来，换上一个恒定输出 x 的稳压器，让 X 固定下来，再看釜温，这是干预。

SCM 用两套记号区分它们。观察是条件概率 \(P(Y=y|X=x)\)，意思是“在所有已经发生的数据里，X 恰好是 x 的那些日子，Y 平均是什么”。干预写成 \(P(Y=y|do(X=x))\)，意思是“我强行把 X 设成 x 之后，Y 会变成什么”。多了一个 do 记号，表达的内容就从“看”变成了“做”。

一般说来，这两个概率并不相等。管道图中存在同时影响 X 和 Y 的上游因素 Z，比如原材料水分。观察时，X=x 的样本已经背着 Z 的信息；干预时，Z 到 X 的支路被焊死，Z 的波动不再能通过 X 乔装改扮成 X 的效应。

所以，因果问题的起点不是问“数据说了什么”，而是问“我改了哪个阀门”。

结构方程替换：把机制改成常数

在 SCM 中，每个变量都有一根“出生管道”——结构方程。变量 X 不是凭空产生的，而是由它的父节点 Pa_X 和外生误差 U_X 通过函数 f_X 算出来的。这就像阀门的开度本来由上游水压和阀门口径共同决定，公式写出来就是 \(X = f_X(Pa_X, U_X)\)。

do(X=x) 的核心动作，是把 X 的结构方程整个替换成常数 \(X=x\)。注意，不是让 f_X 刚好输出 x，也不是在方程右边加一个常数，而是把“X 如何产生”的机制直接换成“X 就是 x”。因此，X 原来的误差项 U_X 也不再参与：阀门被用手卡死了，它自身的抖动自然消失。

把方程换成常数，就像拆掉阀门的手动连杆，把阀位直接锁死。上游再怎么波动，也传不进 X 的内部了。

切断父节点链路：拆掉上游管道

SCM 不只包含方程，还伴随一张有向无环图。图中每个箭头表示“父节点直接影响子节点”。do(X=x) 在图上还有一个非常直观的体现：删除所有指向 X 的边，也就是把父节点到 X 的管道全部拆除。

删除之后，X 从原来的“中间环节”变成一个根节点。它不再接收来自祖先的任何信息，但 X 指向下游的边仍然保留。用图论的记号，干预后的图记为 \(G_{\overline{X}}\)，上划线表示“把进入 X 的箭头都切除”。

图上的删除，对应管道工程里的“断管”。断管之后，上游总闸再怎么波动，X 的读数都纹丝不动；真正影响 X 的，只剩下我们人为施加的常数 x。

下游变量更新：让结果重新传播

切断管道后，故事并没有结束。X 固定为 x，它的下游变量 Y 该怎么办？回到 SCEM 的设定：除 X 之外，其他变量的结构方程一律保留。Y 仍然由自己的方程 \(Y = f_Y(Pa_Y, U_Y)\) 生成，只不过在计算 Pa_Y 时，如果里面包含 X，就把 X 的值换成 x。

这就像反应釜下游的水泵本身没有更换，它的电机功率、管道口径都还是老样子；但进入水泵的水量变成了恒定值 x，所以水泵出口的压力会随之重新稳定在新的水平。下游的随机误差 U_Y 仍然存在，因此 Y 不会变成一个死数，它还是会有波动，只是波动的来源不再包含 X 的原有父节点。

下游的传播像涟漪：X 的固定值顺着箭头一层层向前传，每个后代都按自己的“脾气”重新计算。这就是干预后分布产生的过程。

上游不受影响：干预是局部手术

既然 do(X=x) 拆掉了 Pa_X 到 X 的管道，那么上游父节点本身的分布会不会也跟着变？答案是：不会。在有向无环图中，没有从 X 指回祖先的箭头，所以干预 X 不会反向改变祖先的生成机制。

这一点很像外科手术：医生给心脏安一个起搏器，把心跳固定成某个节律，但并不会因此改变病人过去的病历和家族基因。上游变量 Pa_X 仍然按照原来的结构方程生成，它们的分布保持不变。真正改变的是“Pa_X 与 X 之间的关联”——干预后 X 不再受 Pa_X 驱动，两者在修改图中变成独立关系。

干预不是给机器装一个“后悔药”，它只能在箭头方向上影响未来。正因如此，我们才能把 X 的效应从上游混杂中干净地切出来。

因果效应分离：量化回答“如果”

最后的问题是：do(X=x) 之后，我们到底怎么算 Y 的变化？答案藏在“截断乘积公式”里。原始模型中，所有变量的联合分布可以写成每个变量在给定父节点下的条件概率之积。do(X=x) 会把这个乘积中 X 自己的因子删掉，并把所有出现 X 的地方替换成 x，其余变量仍然保留自己的条件概率。

这个公式看起来复杂，但思想很简单：把 X 的出生管道剪断，不让它的旧机制参与计算；下游各变量按自己的机制继续算，最后把除了 Y 以外的变量都加总或积分掉，就得到干预后的 Y 分布。

有了这套公式，我们就能回答“如果我把 X 设定为 x，Y 会怎样”。这正是政策评估和商业决策最需要的答案：不是描述已经发生的事，而是预测一个尚未发生的动作。

AI 应用场景

Python 演示

import random  class LinearSCM:    def __init__(self, seed=2024):        self.rng = random.Random(seed)     def structural_u(self):        return self.rng.gauss(0, 1)     def structural_x(self, u):        # 观察模式下 X 由父节点 U 和噪声决定        return 1.5 * u + self.rng.gauss(0, 0.2)     def structural_y(self, x, u):        # Y 同时受 X 和混杂节点 U 影响        return 2.0 * x + 3.0 * u + self.rng.gauss(0, 0.2)     def sample_observation(self):        u = self.structural_u()        x = self.structural_x(u)        y = self.structural_y(x, u)        return u, x, y     def sample_intervention(self, x_fixed):        # do(X=x): 不调用 structural_x，切断 U -> X        u = self.structural_u()        y = self.structural_y(x_fixed, u)        return u, y  def average(values):    return sum(values) / len(values)  def main():    model = LinearSCM(seed=7)    n = 5000    obs_x = []    obs_y = []    for _ in range(n):        u, x, y = model.sample_observation()        if abs(x - 2) < 0.15:            obs_x.append(x)            obs_y.append(y)     do_y = [model.sample_intervention(2)[1] for _ in range(n)]     print("观察近似 E[Y|X=2]: %.2f" % average(obs_y))    print("干预 E[Y|do(X=2)]: %.2f" % average(do_y))  if __name__ == "__main__":    main()

1. def structural_x(self, u):这是 X 的原始结构方程，观察模式下由父节点 U 驱动。
2. def structural_y(self, x, u):Y 的机制同时接收 X 和混杂 U，体现“下游照常传播”。
3. def sample_intervention(self, x_fixed):do 操作：不再调用 structural_x，相当于把 U→X 的管道切断。
4. if abs(x - 2) < 0.15:观察式条件：只挑出 X 恰好接近 2 的历史样本。
5. do_y = [model.sample_intervention(2)[1] for _ in range(n)]反复执行 do(X=2)，得到干预后的 Y 分布。

常见误区

面试题