因果之梯（Ladder of Causation）¶
因果之梯是 Judea Pearl 提出的因果推理三级抽象层次，刻画了从被动观察到主动干预再到想象性反事实推理的认知跃迁。每一级能回答前一级无法回答的问题。
三级结构¶
第一级：关联（Association）— 观察 / seeing¶
- 问题形式: "观察到 X 时，Y 的概率是多少？"
- 数学语言: P(Y|X)
- 能力: 发现数据中的规律、相关性、模式
- 局限: 无法区分因果与虚假相关。"冰淇淋销量与溺水率正相关"不意味着冰淇淋导致溺水。
当前大多数机器学习系统——包括深度学习——运作在这一层级。它们擅长发现复杂的关联模式，但无法回答"如果我做了 X 会怎样"。
第二级：干预（Intervention）— 行动 / doing¶
do 算子的关键语义：干预是对世界的"微型手术"，切断被干预变量的所有原因，仅观察它对下游变量的影响。
第三级：反事实（Counterfactual）— 想象 / imagining¶
- 问题形式: "如果当初 X 不同，Y 是否会不同？"
- 数学语言: P(Y_x(u)) — 个体 u 在假设 X=x 下的潜在结果
- 能力: 回顾性地评估个体层面的因果归属，区分直接效应与间接效应
- 实现方式: 溯因（Abduct）→ 行动（Act）→ 预测（Predict）三步法
反事实推理需要 结构因果模型 的完整规格——不仅是 DAG 的定性结构，还需要结构方程的具体函数形式。
不可还原性¶
每一级严格强于前一级： - 第二级的问题无法仅靠第一级的数据回答（辛普森悖论即其反例） - 第三级的问题无法仅靠第二级的实验回答（同一干预效果下，不同个体的反事实可能不同）
这种不可还原性意味着：仅靠更多数据或更大的模型无法从关联层跃迁到干预层——需要因果结构的知识。
Pearl 2010 综述中的具体展开¶
Pearl 2010 综述用具体的分析工具展示了三级跃迁的内在逻辑：
- 第二级（干预）的操作化: 通过 后门准则 和 前门准则，将 do 表达式转换为观测表达式。这是从第一级到第二级的桥梁——但桥梁的搭建需要因果假设（图结构），仅靠数据不够。
- 第三级（反事实）的独有问题: 中介分析 中的自然直接/间接效应和 因果概率（PN/PS/PNS）都属于第三级——它们无法用 do 算子表达，无法从实验中回答，但在特定条件下可以从数据中识别。
- 反事实的经验内容: Pearl 展示了 PN 在特定数据组合下可以达到概率一的惊人结果，证明反事实不是空洞的哲学思辨，而是有实证内容的量。
与 wiki 已有概念的关系¶
- 结构因果模型: SCM 是支撑三级推理的统一数学框架
- do 演算: 因果之梯第二级的操作工具
- 因果 DAG: 因果之梯所有层级的图形化表示基础
- 中介分析: 横跨第二级（CDE）和第三级（NDE/NIE）的分析方法
- 因果概率: 第三级的典型查询——"效果的原因"问题
References¶
- Pearl, Judea; Mackenzie, Dana (2018). The Book of Why. Basic Books.
- Pearl, Judea (2021). "Causal and Counterfactual Inference". In The Handbook of Rationality. MIT Press.
- Pearl, Judea (2010). "An Introduction to Causal Inference." The International Journal of Biostatistics, 6(2).
sources/pearl-intro-causal-inference-2010.md sources/wikipedia-causal-model.md