深夜的刑侦办公室里，侦探面前摊着一张巨大的嫌疑人关系网：名字之间画满了可能的连线。他接到的任务是——仅仅依靠一叠日常的“行为观测记录”，把“谁在暗中推动谁”的因果链条还原出来。因果看不见摸不着，但它会在数据里留下蛛丝马迹。PC算法就是一套无数学者打磨过的“因果刑侦手册”：先假设所有人都有可能互相影响（全连接图），然后逐一核对“不在场证明”（统计独立性检验），发现两个人毫无关联就果断划掉连线；接着通过“两个素不相识的人却共同认识同一个中间人”这类特殊结构，锁定连线的方向；最后用“因果不能循环、指证不能回环”的逻辑，把剩余方向一一补齐。整条破案流水线，就是PC算法的完整流程。

岗位关联

掌握PC算法，你就能从观测数据中直接画出因果结构图，为后续因果效应估计、风险归因与决策干预提供最底层的地图——这是因果推断从业者绕不开的第一块基石。

目录
  1. 可视化演示
  2. 算法总览：案件的宏观蓝图
  3. 前置准备：给侦探校准测谎仪
  4. 骨架发现：不在场证明逐一核对
  5. 方向判定：对撞结构的秘密
  6. 方向传播：口供互证，补全残余箭头
  7. 结果解读：案件报告里的留白
  8. 工程实现：让自动破案系统上岗
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示PC因果发现算法完整流程，从完全图出发通过条件独立性检验删边得到骨架，再利用v-结构碰撞子定向和Meek规则确定因果方向。

本节配有交互动效（进入视口后自动加载，约 3KB）。

PC因果发现算法 骨架发现：从完全图出发，条件独立性检验删除无关边 v-结构定向：碰撞子X→Z←Y，Z不在分离集中则定向 Meek规则：已定向边传播方向约束，避免环和新碰撞 PC: Complete → CI-test → Skeleton → v-struct → Meek PC算法通过约束范式从数据中发现因果结构

算法总览：案件的宏观蓝图

刑警队接到一桩奇特的大案：他们要仅凭一份“城市行为观测记录”——比如每个人的出行轨迹、消费记录、社交活动——还原出“谁在背后推动谁”的完整因果链条。指挥官先把任务拆解成三步：先画出所有嫌疑人的关系网（不管方向），再找出“信息交汇点”确定部分箭头，最后用逻辑推理补齐全图。这份破案蓝图，就是PC算法的骨架。

PC算法的全称叫Peter-Clark算法，是因果发现领域最经典的“基于约束”方法。所谓“基于约束”，意思是它不猜方程、不拟合曲线，而是把“条件独立性”当作一票否决的证据：如果数据显示两个变量在控制其他条件后互不相干，那就把这条边划掉。它和“基于分数”的方法不同——后者像评委打分选最优模型，PC则像侦探取证排嫌疑。

从输入输出看，PC算法吃进一个观测数据矩阵（每列是一个变量，每行是一个样本），加上一个显著性水平α，吐出一个“部分有向无环图”（CPDAG）。它不关心影响的具体大小，只负责回答两个问题：哪些变量之间有关系？箭头指向哪个方向？这正是因果推断的第一张地图。

记住这张蓝图：先画网、再定向、后补全。接下来每一节，就是对这个破案过程的一次特写。

前置准备：给侦探校准测谎仪

出发之前，老刑警对新人反复叮嘱两件事：一是确认案情假设成立，二是把测谎仪校准到位。PC算法的“案情假设”就是忠实性假设（faithfulness）：如果真实世界里两个变量之间没有因果路径，那么数据统计上就一定看不出它们有关联；反过来，统计上发现的任何关联，也都真实存在于因果结构之中。这个假设是整个删边逻辑的基石。

除了假设，还要选一把好用的“测谎仪”——条件独立性检验。它的任务是回答一个精确的问题：当我控制住一组变量 S 之后，X 和 Y 之间还存不存在统计联系？对于连续型数据，最常用的测谎仪是偏相关检验：先把 X、Y 分别对 S 做回归，取残差，再看两个残差的相关性。相关性越弱，越倾向于“独立”。

为了把“弱到什么程度算独立”量化，人们构造了一个t统计量：

校准完毕的测谎仪，即将投入大规模的“不在场证明”筛查中。

t=rXY⋅Sn−∣S∣−21−rXY⋅S2\displaystyle t = r_{XY \cdot S}\sqrt{\frac{n - |S| - 2}{1 - r_{XY \cdot S}^2}}
这个公式把偏相关系数转换成“标准尺子”上的读数，用来查一张叫“p值”的对照表。
  1. 偏相关系数 $r_{XY \cdot S}$控制住 S 之后，X 与 Y 之间净剩的相关强度，越接近 0 越独立。
    rXY⋅Sr_{XY \cdot S}
  2. 样本量修正 $n - |S| - 2$分子中的自由度调整，样本越少、控制变量越多，判断就越要谨慎。
    n−∣S∣−2n - |S| - 2
  3. 标准化 $\sqrt{\frac{n - |S| - 2}{1 - r^2}}$把偏相关系数放大到服从已知分布的标准尺度，这样就能查表得到 p 值。
    n−∣S∣−21−rXY⋅S2\sqrt{\frac{n - |S| - 2}{1 - r_{XY \cdot S}^2}}
  4. 查表判定算出 t 后查正态分布表得到 p 值。若 p > α，判为“独立”；若 p < α，判为“不独立”。
    p=2(1−Φ(∣t∣))p = 2\left(1 - \Phi(|t|)\right)

骨架发现：不在场证明逐一核对

侦探把完整关系网铺开：起初，每个嫌疑人都和其他所有人之间画了一条线，表示“暂不能排除关联”。然后审讯开始。第一轮，只问最简单的问题：“你们俩没有任何直接交集的证据吗？”这就是零阶条件独立性检验（d=0）。如果两人互不相干，直接划掉连线。第二轮，侦探换了个问法：“在某个证人在场的情况下，你们还有联系吗？”这就是一阶检验（d=1）。条件集中变量个数逐轮增加：d=0, 1, 2, …，直到网络不再变化。

每一轮删边，都必须登记一张“证据卡”：当时是用哪组条件变量证明他俩无关的。这张卡片叫分离集（Sepset），它记录了使两个变量条件独立的变量集合。别小看这张卡片，后面定向 v 结构时它是决定性证据。骨架发现阶段的算法逻辑可以用一句话概括：

经过若干轮筛查，全连接图瘦身成一个精简的“最小嫌疑网”——骨架。但此时所有线条都还没有方向，下一步才是关键。

若 p-value>α，则判定 X⊥ ⁣ ⁣ ⁣⊥Y∣S，并删除边 X−Y\displaystyle \text{若 } p\text{-value} > \alpha \text{，则判定 } X \perp\!\!\!\perp Y \mid S \text{，并删除边 } X - Y
这句话是整个PC算法最重要的“动作指令”：p值告诉我们有没有证据表明两个人有关，没证据就删边。
  1. p-value条件独立性检验返回的显著性概率，代表“数据给'独立'这个判断的支持度”。
    p-valuep\text{-value}
  2. 与 α 比较p值大于设定的显著性水平 α 时，说明没有足够证据推翻“独立”的零假设。
    p-value>αp\text{-value} > \alpha
  3. 独立性记号 $X \perp\!\!\!\perp Y \mid S$读作“在控制 S 的条件下 X 与 Y 独立”，这是删边的合法依据。
    X⊥ ⁣ ⁣ ⁣⊥Y∣SX \perp\!\!\!\perp Y \mid S
  4. 执行删边把骨架中 X 与 Y 之间的无向连线移除，并把 S 记入分离集。
    X−Y ⇒ 删边X - Y \ \Rightarrow\ \text{删边}

方向判定：对撞结构的秘密

侦探发现一个有趣的三角关系：A 和 B 素不相识、毫无交集，但他们居然都认识 C。在这个三角形里，C 是唯一的信息汇合点——A 和 B 各自独立地把情报汇入 C。这种“两个互不相干的人共同指向同一个中间人”的结构，在因果图中叫对撞子（v结构），它是定向最重要的天然路标：箭头必然指向中间那个点。

为什么？回到数据生成逻辑：如果真实结构是 X→Z←Y，那么 X 和 Y 在“出生”时是独立的，它们之间没有边；而 Z 同时受到两者的影响。反过来，如果数据告诉我们 X 和 Z 相关、Y 和 Z 相关，但 X 和 Y 相互独立，那么 X 和 Y 之间不可能有因果边，唯一的解释就是：它们俩共同“撞”向了 Z。把无向的 X—Z—Y 定向为 X→Z←Y，逻辑就闭合了。

正式判定条件需要精确表述——不仅要 X—Z—Y 在骨架上，还要检查 Z 是否出现在 X 和 Y 的分离集中：

v结构就像案件报告里最硬的物证，一块就能定死两个箭头。但剩下的“无向线头”还要靠规则推理。

若 X−Z−Y 且 Z∉Sep(X,Y)，则定向为 X→Z←Y\displaystyle \text{若 } X - Z - Y \ \text{且} \ Z \notin \text{Sep}(X, Y) \text{，则定向为 } X \to Z \leftarrow Y
分离集检查是防止误判的闸门：如果 Z 本身就能解释 X 和 Y 的独立性，那就不是对撞结构。
  1. 路径存在 $X - Z - Y$骨架中 Z 同时连着 X 与 Y，构成 V 字形的两条无向边。
    X−Z−YX - Z - Y
  2. 分离集检查 $Z \notin \text{Sep}(X, Y)$分离集是让 X、Y 变独立的变量集合，如果 Z 不在其中，说明 X、Y 的独立性不需要依赖 Z。
    Z∉Sep(X,Y)Z \notin \text{Sep}(X, Y)
  3. 对撞判定X 与 Y 独立，却都与 Z 相关，唯一自洽的解释是箭头汇聚于 Z。
    X⊥ ⁣ ⁣ ⁣⊥Y 且 X⊥ ⁣ ⁣ ⁣ ⁣̸ ⁣⊥Z, Y⊥ ⁣ ⁣ ⁣ ⁣̸ ⁣⊥ZX \perp\!\!\!\perp Y \ \text{且} \ X \perp\!\!\!\!\not\!\perp Z, \ Y \perp\!\!\!\!\not\!\perp Z
  4. 定向写入把两条无向边写成有向边，得到对撞结构。
    X→Z←YX \to Z \leftarrow Y

方向传播：口供互证，补全残余箭头

有了几块物证，剩下的方向靠“口供一致性”推出来。如果 A 已经证实指向 B，而 B 和 C 之间还有一条未定向的连线，且 A 与 C 素无往来，那么侦探手册强制规定：方向只能是 B→C。为什么？因为如果 C 指向 B，就会凭空造出一个新的对撞子 A→B←C，这与证据矛盾；推理必须避免在已知边上引入新的对撞结构。

这套推理规则在学术上叫 Meek 规则，共四条。最常用的是前两条：R1 处理“已定向边 + 无向边”的链式传递，R2 处理“两条有向边 + 一条无向边”的闭合。它们共同遵守一条铁律：任何时刻不得把图推成有向环，因为因果不可能循环——你不可能既是自己祖父的父亲又是自己祖父的儿子。

R1 规则的逻辑链如下：

R2 则处理另一种常见场景：已知 X→Y→Z，且 X 与 Z 之间还有一条无向边，那么这条边必然定向为 X→Z，否则会出现环：

规则一条条套用，直到再也推不出新方向为止。最终剩下的图中，部分无向边是数据“诚实的沉默”——留给下一节解读。

X→Y−Z 且 X,Z不相邻 ⇒ X→Y→Z\displaystyle X \to Y - Z \ \text{且} \ X, Z \text{不相邻} \ \Rightarrow \ X \to Y \to Z
这条规则说的是：一旦某个方向被物证坐实，相邻的无向边会像多米诺骨牌一样被推倒。
  1. 链式前提 $X \to Y \to Z$已经有了完整的有向链。
    X→Y→ZX \to Y \to Z
  2. 待定向边 $X - Z$骨架上还残留的这条无向边必须补上方向。
    X−ZX - Z
  3. 无环约束推导若 Z→X 则会形成 X→Y→Z→X 的有向环，违反因果基本法则，故只能 X→Z。
    ⇒X→Z\Rightarrow X \to Z

结果解读：案件报告里的留白

经验丰富的侦探知道，有些案件无论证据多充分，都会留下“无法判定”的遗憾。如果数据显示 A 和 B 只是简单相关，且没有对撞结构提供方向线索，那么“A 推动了 B”和“B 推动了 A”在统计上就是一对双胞胎，长得一模一样，无法区分。PC 算法不会硬猜，而是把这类边保留为无向，输出一张“部分有向无环图”（CPDAG）。

学术上，这一对长得一模一样的图叫“马尔可夫等价类”：只要两个因果图的骨架相同、对撞结构集合相同，它们对所有观测数据的解释力就完全相同。CPDAG 正是所有这些等价图“共同事实”的浓缩——公共箭头是实心箭头，有争议的边保持无向。用集合论的语言：

读懂留白，是因果推断从业者的专业素养。下一节，我们把整套流程交给自动化系统，让它变成一把量产工具。

E(G)={G′ | 骨架(G′)=骨架(G) 且 对撞结构(G′)=对撞结构(G)}\displaystyle \mathcal{E}(\mathcal{G}) = \left\{ \mathcal{G}' \ \middle| \ \text{骨架}(\mathcal{G}') = \text{骨架}(\mathcal{G}) \ \text{且} \ \text{对撞结构}(\mathcal{G}') = \text{对撞结构}(\mathcal{G}) \right\}
等价类提醒我们：因果发现不是魔术，观测数据对某些方向天然“失明”，C D P A G 里的无向边就是诚实的留白。
  1. 等价类集合 $\mathcal{E}(\mathcal{G})$与图 G 不可区分的一族因果图的总称。
    E(G)\mathcal{E}(\mathcal{G})
  2. 骨架一致条件所有等价图拥有的边（无论方向）完全相同。
    骨架(G′)=骨架(G)\text{骨架}(\mathcal{G}') = \text{骨架}(\mathcal{G})
  3. 对撞结构一致条件所有等价图的 v 结构指向完全一致，这是方向信息的唯一锚点。
    对撞结构(G′)=对撞结构(G)\text{对撞结构}(\mathcal{G}') = \text{对撞结构}(\mathcal{G})
  4. CPDAG 的生成把等价类里所有图都同意的箭头保留，其余边标为无向，得到最终输出。
    CPDAG=⋂G′∈E公共箭头\text{CPDAG} = \bigcap_{\mathcal{G}' \in \mathcal{E}} \text{公共箭头}

工程实现：让自动破案系统上岗

手工推演在变量超过五个时就累得够呛，更别说真实场景里动辄几十上百个变量。好在PC算法早已被封装成成熟的软件库，就像把侦探手册变成了全自动“无人警局”：输入数据，选好测谎仪，设好置信度，一键出图。Python生态里最常用的是 causal-learn，R 语言中有 pcalg，都是学界验证过的工业级实现。

用起来只有三行核心逻辑：调用 pc() 函数，传入数据矩阵、显著性水平和独立性检验方法，然后打印返回的因果图对象。参数调优的核心旋钮就是 α——它控制删边的手感：α大，更容易“判独立”，图更稀疏；α小，更容易“保留关联”，图更密。此外还有是否启用“稳定版”（stable=True）这类细节选项，它能保证边的删除顺序不影响最终结果。

整个骨架发现过程的时间代价可以粗略表达为：

至此，破案手册全卷读完。从手工推演到自动化工具，你已经有能力独立完成一次完整的因果发现任务。

O(p2⋅2dmax⁡)\displaystyle O\left(p^2 \cdot 2^{d_{\max}}\right)
变量数 p 的平方对，乘以最多 $d_{\max}$ 个条件变量的组合数，这就是 PC 算法“逐户排查”的开销账单。
  1. 变量对数 $p^2$任意两个变量都要配对检查，变量越多检查越重。
    p2p^2
  2. 条件集组合 $2^{d_{\max}}$每个候选条件集都要做一次检验，条件变量组合是指数级的。
    2dmax⁡2^{d_{\max}}
  3. 最大条件阶数 $d_{\max}$实际推进到的最深验证轮次，因为边不断被删除它通常很小。
    dmax⁡d_{\max}
  4. 工程含义尽早删边能显著降本，这也是 PC 从低阶到高阶逐轮推进的设计初衷。
    O(p2⋅2dmax⁡)O\left(p^2 \cdot 2^{d_{\max}}\right)

AI 应用场景

电商增长分析：定位真正的“增长引擎”

阶段：因果结构学习 / 特征关系建模

解决的问题：运营团队积累了大量指标——优惠券发放量、浏览时长、加购率、复购率。传统相关性分析只能看到“这些数字一起涨跌”，却分不清谁是因谁是果：是发券拉动了复购，还是高复购用户恰好更容易领券？用PC算法对用户行为数据做骨架发现，可以直接排除大量虚假相关，只保留真正的因果链路。

具体案例：某电商对 2000 万条用户行为数据跑 PC，输出的因果图显示“优惠券发放→加购意愿→实际下单”是一条完整因果链，而“复购率”其实是被“满意度”驱动的结果而非原因。团队据此把营销资源从盲目撒券转向提升加购体验，次季复购率提升 12%。

医学观察性研究：撕掉虚假相关的伪装

阶段：因果方向确认 / 混杂因素识别

解决的问题：电子病历中，“服药”和“血压下降”高度相关，但真实世界可能是“生活方式改善”同时导致了两者；更隐蔽的是，某些变量（如“就诊频率”）会同时被疾病严重度和患者依从性影响，形成对撞子，制造出根本不存在的“相关”。PC 的 v 结构定向正好用来识别这类陷阱。

具体案例：某临床研究团队用 PC 分析高血压患者随访数据，发现“初次就诊时的血压值”与“后续用药依从性”之间存在对撞结构——它们共同指向“就诊频率”。如果不做因果发现直接回归，就会得到“初诊血压影响依从性”的错误结论；正确定向后，研究改为关注依从性的直接前因，从而修正了试验设计方案。

金融风控特征甄别：用因果图给模型瘦身

阶段：特征因果结构解读 / 可解释建模

解决的问题：风控模型里几百个特征高度相关，直接堆进模型既冗余又难解释，还可能把“结果变量”当作“原因特征”造成泄漏。PC 输出的 CPDAG 能帮算法工程师区分“根因特征”和“下游结果特征”，从而筛选出真正值得建模的变量。

具体案例：某消费金融公司对申请人特征做 PC 分析，发现“近三月查询次数”是“贷款审批结果”的下游结果而非原因（存在对撞路径），将其剔除出模型后，模型在保持 AUC 的同时变量数从 120 个降为 38 个，且通过监管对“特征可解释性”的审查。

Python 演示

python79 行
# 教学版 PC 算法：从观测数据中发现骨架并定向 v 结构import mathfrom itertools import combinationsimport numpy as np def ncdf(x):    # 标准正态分布的累积分布函数    return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0))) def pcorr(x, y, Z):    # 偏相关系数: 控制 Z 后 x 与 y 的相关    if Z.shape[1] == 0:        return np.corrcoef(x, y)[0, 1]    bx, _, _, _ = np.linalg.lstsq(Z, x, rcond=None)    by, _, _, _ = np.linalg.lstsq(Z, y, rcond=None)    rx = x - Z.dot(bx)    ry = y - Z.dot(by)    return np.corrcoef(rx, ry)[0, 1] def ci_test(x, y, Z, n, alpha=0.05):    # 条件独立性检验: 返回 True 表示 x 与 y 在控制 Z 后独立    r = pcorr(x, y, Z)    k = Z.shape[1]    t = r * math.sqrt((n - k - 2) / max(1e-12, 1 - r * r))    p = 2.0 * (1.0 - ncdf(abs(t)))    return p > alpha def pc_skeleton(data, alpha=0.05):    # 第一步: 从全连接图出发逐阶删边, 得到骨架    n, p = data.shape    adj = [set(range(p)) - {i} for i in range(p)]    sep = {}    d = 0    while True:        changed = False        for i, j in combinations(range(p), 2):            if j not in adj[i]:                continue            for cond in combinations(list(adj[i] - {j}), d):                if ci_test(data[:, i], data[:, j], data[:, list(cond)], n, alpha):                    adj[i].remove(j)                    adj[j].remove(i)                    sep[(i, j)] = sep[(j, i)] = set(cond)                    changed = True                    break        if not changed or d > max(len(a) for a in adj):            break        d += 1    return adj, sep def orient_v(adj, sep):    # 第二步: 用 v 结构定向, 返回有向边集合    directed = set()    for z in range(len(adj)):        for x, y in combinations(list(adj[z]), 2):            if z not in sep.get((x, y), set()):                directed.add((x, z))                directed.add((y, z))    return directed def main():    rng = np.random.default_rng(42)    n = 3000    X = rng.normal(size=n)    Z = rng.normal(size=n)    Y = 0.8 * X + 0.6 * Z + rng.normal(size=n)    W = 0.5 * X + rng.normal(size=n)    data = np.column_stack([X, Y, Z, W])    adj, sep = pc_skeleton(data, alpha=0.05)    print("骨架邻接:")    for i in range(data.shape[1]):        print("  ", i, "->", sorted(adj[i]))    directed = orient_v(adj, sep)    print("v 结构定向的有向边:")    for a, b in sorted(directed):        print("  ", a, "->", b) if __name__ == "__main__":    main()
目的：用纯 NumPy 实现一个可运行的简化版 PC 算法，在已知真实结构（X→Y、Z→Y、X→W）的仿真数据上验证骨架发现与 v 结构定向两大核心步骤。
  1. adj = [set(range(p)) - {i} for i in range(p)]初始化全连接无向图，每个节点先与所有其他节点相连。
  2. for cond in combinations(list(adj[i] - {j}), d)枚举邻域中 d 个候选条件变量，这是“逐阶排查”的核心循环。
  3. if ci_test(data[:, i], data[:, j], data[:, list(cond)], n, alpha):执行条件独立性检验，返回 True 表示判为独立。
  4. sep[(i, j)] = sep[(j, i)] = set(cond)把使二者独立的条件集同时记入双向分离集，留给 v 结构定向使用。
  5. if not changed or d > max(len(a) for a in adj): break当一轮没有删掉任何边，或条件阶数超过邻域规模时，骨架发现终止。
  6. if z not in sep.get((x, y), set()):v 结构定向的闸门判断：中间节点不在分离集中，才允许定向。
  7. directed.add((x, z)); directed.add((y, z))把 X→Z 和 Y→Z 两条有向边加入结果集，完成对撞定向。

常见误区

误区PC 算法跑完拿到的就是“真正的因果图”，箭头指哪就一定是哪。看到还有无向边就觉得自己代码写错了。

正解PC 输出的是与数据一致的马尔可夫等价类（CPDAG），很多方向本来就无法用纯观测数据区分。侦探报告里写“现有证据无法判定方向”不是办案失败，而是证据约束下的诚实上限；看到无向边，应该先怀疑“数据是否有方向信息”，而不是“程序是否有 bug”。

为何常见：教程为了直观，总用恰好能完全定向的小图做演示，让初学者误以为定向是必然结局。

误区条件独立性检验的 p 值越小，说明两个变量的因果关系越强，p 值可以被当作因果效应大小的指标。

正解p 值是“反对独立假设”的证据强度，与因果效应的大小毫无关系。测谎仪只能告诉你“这人没说实话”，不能告诉你他偷了多少钱。效应大小要用后续的因果效应估计方法（如干预计算）来量化，p 值只是删边决策的输入。

为何常见：统计检验的思维惯性——人们习惯把显著性理解为重要性，而忘了它只是“意外性”的度量。

误区既然条件集越大检验越严谨，不如直接从 d=3、d=5 开始做条件独立性检验，省去前面几轮。

正解PC 的精髓就是 d 从 0 逐阶推进，利用“删掉的边越多，后续候选条件集越小”的正反馈来压缩计算量。跳过低阶直接上高阶，会让原本低阶就能删除的边白白参与大量无谓检验，还可能因为有限样本的噪声把真实边误删。低阶通过是继续高阶的前提，这是算法设计的一部分而非偷懒。

为何常见：直觉上“考虑条件越多越严谨”，但忽略了统计检验的样本消耗和组合爆炸风险。

误区看到 X—Z—Y 且 X 和 Y 独立，就直接定向为 X→Z←Y。这口诀省事，应该没错。

正解还差一个决定性步骤——检查 Z 是否在 Sep(X,Y) 分离集中。如果 Z 在分离集里，说明控制 Z 之后 X、Y 才独立，此时它们是“被 Z 解释的间接独立”，不是对撞结构。这就像侦探发现 A、B 虽无交集，但要先确认 C 是否就是那个“不在场证人”，如果 C 是证人，三角关系就另当别论了。

为何常见：口诀只记住了前半句，把最关键的前提条件遗漏了，导致误定向。

误区α 就像收音机音量，调大一点，算法就能检到更多信息，因果图更准。

正解α 是“判独立”的门槛：α 越大，越容易判独立，删边越狠，骨架越稀疏，容易漏掉真实边；α 越小，判独立越保守，边删得少，容易把虚假相关当成因果。它是个权衡旋钮，需要结合样本量、变量噪声水平和领域知识来选择，绝非越大越好。

为何常见：把“显著性水平”误解为“检验灵敏度”，忽略了它本质上是假阳性率的上限控制。

面试题

Q1. PC算法属于哪一类因果发现方法？

单选题 · easy

  • A.基于约束的方法← 正确答案
  • B.基于深度学习的回归
  • C.基于专家规则的推理
  • D.基于时间序列的预测

答案：A。PC 算法通过条件独立性检验来约束候选因果结构，属于基于约束的方法。它不像深度学习那样拟合预测函数，也不依赖人工专家规则，而是用统计检验作为一票否决的证据。

Q2. PC算法正确的执行顺序是？

单选题 · mid

  • A.方向传播、骨架发现、v结构定向
  • B.骨架发现、v结构定向、方向传播← 正确答案
  • C.v结构定向、骨架发现、方向传播
  • D.骨架发现、方向传播、v结构定向

答案：B。PC 算法必须先用独立性检验把全连接图删成骨架，再用 v 结构确定第一批方向，最后用 Meek 规则补全剩余方向。方向传播依赖已定方向的 v 结构，v 结构定向依赖骨架，顺序不可颠倒。

Q3. 条件独立性检验得到 p>α 时，通常意味着什么？

单选题 · mid

  • A.两个变量一定强相关
  • B.没有足够证据拒绝独立性← 正确答案
  • C.两个变量存在因果关系
  • D.样本量一定不足

答案：B。p>α 表示在显著性水平 α 下没有足够证据推翻“独立”的零假设，因此 PC 算法会判它们独立并删除边。这类似测谎仪显示“没有说谎迹象”，不代表绝对清白，只是证据不足。

Q4. 分离集（Sepset）在PC算法中的核心作用是？

单选题 · mid

  • A.记录使两变量独立的条件集← 正确答案
  • B.记录使两变量相关的条件集
  • C.存放所有待检验的变量对
  • D.存放方向传播的最终结果

答案：A。骨架发现阶段每删除一条边，都会记录当时使两变量条件独立的变量集合，这就是分离集。在 v 结构定向时，需要判断中间节点是否属于分离集，因此它直接决定定向的正确性。

Q5. 一个合法的 v 结构 X→Z←Y 需要满足哪些条件？

多选题 · mid

  • A.X 和 Y 之间有直接因果边
  • B.X 和 Y 之间没有直接边← 正确答案
  • C.Z 不在分离集 Sep(X,Y) 中← 正确答案
  • D.Z 在分离集 Sep(X,Y) 中

答案：BC。v 结构的本质是 X 和 Y 相互独立却共同指向 Z，所以 X、Y 之间不能有直接边；同时 Z 不能出现在 X、Y 的分离集中，否则“独立”可以被 Z 解释，就不是真正的对撞结构。

Q6. Meek 规则 R1 的正确表述是？

单选题 · hard

  • A.X→Y—Z 且 X与Z不相邻，则 X→Y→Z← 正确答案
  • B.X—Y—Z 且 X与Z相邻，则 X→Y→Z
  • C.X→Y—Z 且 X与Z相邻，则 X←Y—Z
  • D.X—Y←Z 且 X与Z不相邻，则 X←Y←Z

答案：A。R1 描述的是“一条有向边加一条无向边”的传播：X 已指向 Y，若 Y—Z 无向且 X、Z 不相邻，则必须定向为 Y→Z。否则 Z→Y 会新增对撞子 X→Y←Z，与现有骨架信息矛盾。

Q7. PC算法输出 CPDAG（部分有向无环图）意味着什么？

单选题 · mid

  • A.所有边的方向都被数据唯一确定
  • B.部分无向边方向无法由数据唯一确定← 正确答案
  • C.骨架发现阶段一定出现了错误
  • D.样本量不足导致算法彻底失败

答案：B。CPDAG 是马尔可夫等价类的浓缩表示。当多个因果图拥有相同骨架和对撞结构时，它们在数据上不可区分，有争议的边就保留为无向。这是数据的信息上限，不是算法缺陷。

Q8. 以下哪项不是 PC 算法的输入参数？

单选题 · easy

  • A.观测数据矩阵
  • B.显著性水平 α
  • C.独立性检验方法
  • D.真实的因果图← 正确答案

答案：D。PC 算法是从数据中发现因果结构，输入自然是数据、显著性水平和检验方法。如果已经知道真实因果图，就等于考试前拿到了答案，不需要再“发现”了。

Q9. PC算法正常工作依赖的核心假设包括？

多选题 · hard

  • A.忠实性假设（数据反映真实结构）← 正确答案
  • B.马尔可夫条件（无路径则条件独立）← 正确答案
  • C.样本量足够大（统计检验有效）← 正确答案
  • D.变量必须全部服从正态分布

答案：ABC。忠实性假设保证统计独立性对应图中无路径，马尔可夫条件保证图中无路径对应统计独立性，二者互为表里；大样本保证检验可靠。D 错，因为 PC 也支持卡方检验等非参数独立性检验，不限于正态分布。

Q10. 当忠实性假设被违反时（如存在确定性函数关系），PC算法可能发生什么？

多选题 · extreme

  • A.错误保留虚假的依赖边← 正确答案
  • B.错误删除真实的因果边← 正确答案
  • C.定向结果产生偏差← 正确答案
  • D.输出结果完全正确不受影响

答案：ABC。忠实性违背意味着数据里的独立性与因果结构脱钩：确定性关系可能让真实因果边被误判为独立而删除，也可能让虚假依赖被保留，后续 v 结构定向自然跟着出错。它动摇的是 PC 删边逻辑的根基，D 显然不成立。