基于约束方法：条件独立性检验卡方检验

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

条件独立性概念

餐厅经理进一步追问：顾客点辣菜，更多是因为“来自重庆”，还是因为“年龄在 25 岁以下”？当我们已经知道顾客来自重庆后，再知道他的年龄段，还会不会增加我们对他点辣菜可能性的判断？如果不会，就说明“年龄”和“点辣”在给定“城市”后条件独立。条件独立是统计学的“信息冗余探测仪”：它告诉我们，在掌握 Z 的条件下，X 再也没有提供关于 Y 的新信息。

在因果发现中，条件独立比普通独立更重要。比如“打伞”和“路面湿”看似相关，但一旦给定“正在下雨”，打伞与否就不再提供关于路面湿度的额外信息。于是我们说：在给定 C（下雨）后，A（打伞）与 B（湿路）条件独立。这个性质能帮助我们区分直接因果与间接关联。

回到餐厅案例：若“城市”解释了“点辣”的全部规律，那么年龄就是一个可省略的变量。因果发现的骨架学习正是借助这一逻辑，把可省略的信息路径从变量关系图中移除，从而让因果图变得干净可解释。

列联表构建

经理把周末 80 位顾客按“城市（A/B）”和“口味（咸/甜）”交叉分类，得到一张 2×2 表格：A 市 30 人点咸、10 人点甜；B 市 15 人点咸、25 人点甜。这张表叫列联表，表中的四个数字就是观测频数 O。仅看 O 很难判断城市与口味是否独立，因为两市的总人数不同，直接比较会失真。

卡方检验的巧妙之处在于：先假设“城市”与“口味”完全无关，然后计算每个格子的期望频数 E。期望频数不是一个拍脑袋的均值，而是按边际比例“拼接”出来的：用该行总和乘以该列总和，再除以总人数。这就像把 A、B 两市的顾客混在一起，按照整体咸甜比例 45:35 重新分配，看看“如果口味全国统一，各格应该有几人”。

期望频数表就是卡方检验的“天平底座”。经理发现，若两市口味一致，A 市应有 22.5 人点咸、17.5 人点甜；B 市同理。可现实是 A 市有 30 人点咸——偏差已经出现。接下来，审计员就要逐格盘点这些偏差的“总账”。

卡方统计量

现在，经理手上有了两张表：观测表 O 和期望表 E。他需要把每个格子的偏差汇总成一个数。但偏差有正有负，直接相加会互相抵消，于是他用平方处理让所有偏差都变为正值；同时还除以期望值作为“刻度”，让相对误差大的格子得到更重的惩罚。

在本例中χ²约为 9.52。这个数字像一份“总落差报告”：如果城市与口味真的无关，那么随机波动产生的χ²通常不会太大。但当χ²超过某个临界值时，经理就会怀疑——“两市口味相同”这个假设，恐怕站不住脚。

自由度与检验

卡方值再大，也要有一把“尺子”来衡量。这把尺子就是自由度 df 和显著性水平 α。自由度由表的形状决定：在一个 r×c 列联表中，行与列的各边际已固定，能自由变动的格子只有 (r−1)×(c−1) 个。自由度越小，卡方分布的形态越偏；自由度越大，分布越接近钟形。

有了自由度和显著性水平 α（通常取 0.05），就能查出临界值。接着把 p 值与 α 比较：若 p < α，拒绝“独立”的原假设，认为两变量相关；若 p ≥ α，则没有足够证据拒绝独立性。在餐厅例子里，df=1、α=0.05 对应的临界值约为 3.84，而观察χ²≈9.52，p 值远小于 0.05——经理有信心地说：口味偏好确实与城市有关。

因果发现应用

在因果发现的“基于约束”方法中，卡方检验不是用来讲故事，而是用来剪路的。想象我们有四个变量：城市、口味、评价、复购率。要画出它们的因果骨架，最朴素的做法是从一张“人人相连”的完全图出发，然后对每一对变量做条件独立性检验，把检验显示独立的边剪掉。

在 PC 算法等经典方法中，卡方检验被反复调用：先检验无条件独立，再逐层加入第三个、第四个变量作为条件集。每次检验都是一次“证据听证”：如果城市与评价在控制口味后独立，那么“城市→评价”这条边就被剪掉。最终留下的骨架刻画了变量间最简的关系结构，为后续确定因果方向打下基础。

样本量与功效

经理注意到：周末调查了 80 人得到“城市影响口味”的结论；但如果只调查 10 个人，哪怕真实差异存在，也可能因为数据太少而看不出来。这就是检验功效问题。功效（power）衡量的是：当原假设真的不成立时，检验能正确拒绝它的概率。

因此，调参策略是一门平衡艺术：样本量太小，功效不足，骨架学习会漏掉真实存在的边；样本量太大，检验敏感度过高，又会把无关的边错误保留。实际工作中常通过功效分析估算所需最小样本量，同时结合效应量，在“发现”与“误报”之间寻找稳健的平衡点。

局限与对策

卡方检验并非万能。当列联表某些格子的期望频数太小（比如低于 5）时，χ² 统计量对卡方分布的近似会严重失真。这就好比餐厅只收到了两三张来自偏远城市的问卷，任何统计推断都像在流沙上盖楼。此时需要两种对策：一是合并类别，把稀疏的格子拼成有意义的组合；二是改用 Fisher 精确检验，通过超几何分布逐格计算精确概率，不再依赖大样本近似。

在因果发现的离散数据场景中，稀疏数据极其常见：样本量大但类别组合多，每个格子仍然可能空空如也。此时应优先考虑 Fisher 精确检验或基于排序的近似方法，并在结果报告中注明样本覆盖度。经理的教训是：不要被华丽的χ²数字欺骗，先检查每格期望频数是否扎实，再下结论。

AI 应用场景

Python 演示

class ChiSquareIndependence:    """餐厅调查比喻的卡方独立性检验"""     def __init__(self, table):        self.table = table        self.row = len(table)        self.col = len(table[0])        self.n = sum(sum(row) for row in table)        self.exp_table = []        self.chi2_stat = 0.0        self.free_deg = 0     def compute_expected(self):        row_totals = [sum(row) for row in self.table]        col_totals = [sum(self.table[i][j] for i in range(self.row))                      for j in range(self.col)]        self.exp_table = [[row_totals[i] * col_totals[j] / self.n                           for j in range(self.col)]                          for i in range(self.row)]        return self.exp_table     def compute_chi2(self):        if not self.exp_table:            self.compute_expected()        self.chi2_stat = 0.0        for i in range(self.row):            for j in range(self.col):                obs = self.table[i][j]                exp = self.exp_table[i][j]                if exp > 0:                    self.chi2_stat += (obs - exp) ** 2 / exp        return self.chi2_stat     def free_degree(self):        self.free_deg = (self.row - 1) * (self.col - 1)        return self.free_deg     def verdict(self, alpha=0.05):        chi2 = self.compute_chi2()        df = self.free_degree()        # 以2x2为例，自由度1时95%临界值约3.84        if df == 1 and chi2 > 3.84:            return "拒绝独立性假设: 两变量显著相关"        if df == 1 and chi2 <= 3.84:            return "接受独立性假设: 两变量看似无关"        return "超过2x2表，请使用查表或scipy获取临界值"     def show_report(self):        print("观测频数:", self.table)        print("期望频数:", self.compute_expected())        print("卡方统计量:", self.compute_chi2())        print("自由度:", self.free_degree())        print("结论:", self.verdict())  if __name__ == "__main__":    # 餐厅调查: 城市A/B x 口味咸/甜    survey = [[30, 10], [15, 25]]    test = ChiSquareIndependence(survey)    test.show_report()

1. class ChiSquareIndependence定义一个可复用的卡方检验类，接收列联表作为输入。
2. self.n = sum(sum(row) for row in self.table)计算总样本量 N，后续所有期望频数推算都以它为分母。
3. row_totals = [sum(row) for row in self.table]计算行边际 R_i，即每个城市的顾客总数。
4. [[row_totals[i] * col_totals[j] / self.n ...]]用行边际×列边际÷总人数填充期望频数表。
5. self.chi2_stat += (obs - exp) ** 2 / exp逐格累加 (O−E)²/E，得到卡方统计量。
6. self.free_deg = (self.row - 1) * (self.col - 1)计算自由度，(r−1)(c−1)。
7. verdict(self, alpha=0.05)将 χ² 与临界值比较，输出“拒绝”或“接受”独立性假设的结论。
8. if __name__ == "__main__":提供可执行入口，直接运行 survey 数据测试全流程。

常见误区

面试题