Seven Mental · 心智七篇
中 EN
← Knowledge Atlas · Source

Causal Model（因果模型）— Wikipedia

因果模型 Wikipedia 条目：结构因果模型、DAG、do 演算、因果之梯、Pearl 框架
源
SOURCE · CAUSAL MODEL · Wikipedia · 2026

Causal Model · Structural Causal Model (SCM)

Pearl’s ⟨U, V, E⟩ formalism — causal reasoning beyond statistical correlation

Ladder of Causation
Ⅲ
Counterfactual
Imagining — build theories that explain causal mechanisms; reason about situations that did not occur
P(Y_x | X', Y')
Ⅱ
Intervention
Doing — predict the effect of a deliberate action
P(Y | do(X))
Ⅰ
Association
Seeing — find regularities and correlations in data
P(Y | X)
Three basic connection patterns ABCchain · A→B→C (mediator)BACfork · A←B→C (confounder)BACcollider · A→B←C
Conditioning on the middle node blocks chains/forks; conditioning on a collider opens spurious correlation
Back-doorControl a set satisfying the back-door criterion · blocks all non-causal paths
Front-doorWhen confounders are unobservable · estimate via a mediator on the front-door path
→ causal-models · do-calculus · causal-dag · ladder-of-causationen.wikipedia.org

Causal Model（因果模型）— Wikipedia

摘要

本条目系统介绍因果模型（又称结构因果模型，Structural Causal Model）的定义、历史、核心机制和应用。因果模型是表示系统内因果机制的概念模型，使用有向无环图（DAG）和结构方程来描述变量间的因果关系，从而超越纯粹的统计相关性。

核心内容

Pearl 的形式化定义

Judea Pearl 将因果模型定义为有序三元组 ⟨U, V, E⟩：

  • U — 外生变量集合（由模型外部因素决定）
  • V — 内生变量集合（由模型内部因素决定）
  • E — 结构方程集合，表达每个内生变量作为其他变量的函数

因果之梯（Ladder of Causation）

Pearl 提出因果推理的三级抽象：

  1. 关联（Association） — 观察层：发现数据中的规律和相关性，P(Y|X)
  2. 干预（Intervention） — 行动层：预测刻意行动的效果，P(Y|do(X))
  3. 反事实（Counterfactual） — 想象层：构建解释因果机制的理论，推演未发生的情景

do 演算

do 演算是一套完备的规则系统，用于将包含 do 算子的表达式转换为不含 do 的表达式（从而可以从观察数据中估计因果效应）。三条规则分别处理：

  1. 观察变量的添加/删除
  2. 干预与观察的互换（后门准则满足时）
  3. 无因果路径时干预的删除

因果图结构

三种基本连接模式：

  • 链（Chain）: A → B → C（B 是中介）
  • 叉（Fork）: A ← B → C（B 是混淆因子）
  • 对撞（Collider）: A → B ← C（条件化 B 产生虚假相关）

去混淆技术

  • 后门调整（Backdoor Adjustment）: 控制满足后门准则的变量集合，阻断所有非因果路径
  • 前门调整（Frontdoor Adjustment）: 当混淆变量不可观测时，通过前门路径上的中介变量估计因果效应

反事实推理

三步法：溯因（Abduct）→ 行动（Act）→ 预测（Predict）。可区分直接效应和间接（中介）效应。

可迁移性（Transportability）

因果模型允许跨数据集整合数据，解决外部效度问题——即一项研究的结论能否应用于不同情境。

历史脉络

从 Wright 1921 年路径分析 → Pearson 的反因果实证主义 → 1960s 路径分析重新发现 → Lewis 1973 反事实 → Rubin 1974 潜在结果 → Pearl 的因果革命。关键转折：因果推理从被统计学排斥，到最终获得严格的数学形式化。

与 wiki 已有概念的关系

  • 误差级联: 因果模型的链式结构（A→B→C）正是误差级联的形式化基础——前序节点的错误通过因果路径传播到后续节点
  • 机制可解释性: 归因图（attribution graphs）本质上是神经网络内部的因果图，追踪特征间的因果影响
  • 层级系统: Simon 的近可分解性与 DAG 中的条件独立性在结构上同构——都描述子系统间的弱耦合

References

  • Pearl, Judea; Mackenzie, Dana (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
  • Pearl, Judea (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
  • Greenland, S.; Pearl, J.; Robins, J.M. (1999). “Confounding and Collapsibility in Causal Inference”. Statistical Science.
  • Hernán, M.A.; Robins, J.M. (2020). Causal Inference: What If. Chapman & Hall/CRC.
  • Stanford Encyclopedia of Philosophy, “Causal Models” (2018).
  • sources/wikipedia-causal-model.md