结构因果模型（Structural Causal Model）¶
结构因果模型（SCM）是 Judea Pearl 提出的因果推理形式化框架。它将因果关系从哲学直觉提升为严格的数学对象，使"原因"可以被定义、计算和验证。
定义¶
SCM 是一个有序三元组 ⟨U, V, E⟩：
- U（外生变量） — 模型边界之外的因素，其值由外部决定。对应系统的"输入"或"背景条件"。
- V（内生变量） — 模型内部的变量，其值由 U 和 V 中其他变量通过结构方程决定。
- E（结构方程） — 每个内生变量 Vᵢ 对应一个方程 Vᵢ = fᵢ(PAᵢ, Uᵢ)，其中 PAᵢ 是 Vᵢ 的父节点集合。
结构方程不是统计回归方程——它声称的是因果机制，而非数据拟合。改变方程意味着改变世界的运作方式（干预），而非仅仅观察到不同的数据。
与因果 DAG 的关系¶
每个 SCM 自然诱导一个 因果 DAG：变量是节点，结构方程中的依赖关系是有向边。DAG 是 SCM 的定性骨架——它编码了因果方向和条件独立性，但不包含方程的具体函数形式。
反过来，同一个 DAG 可以对应多个不同的 SCM（不同的函数形式），但它们共享相同的定性因果结构。
三级因果推理¶
SCM 框架统一了 Pearl 因果之梯 的三个层级：
- 关联 — 从 SCM 的联合分布中读取，P(Y|X)
- 干预 — 通过修改结构方程实现，P(Y|do(X))
- 反事实 — 在个体层面回答"如果当初不同，会怎样"
与统计模型的根本区别¶
统计模型描述数据的联合分布——它回答"观察到 X 时，Y 的概率是多少"。SCM 在此之上增加了因果方向和干预语义——它能回答"如果我改变 X，Y 会怎样变化"以及"如果 X 当初不同，Y 是否会不同"。
这个区别不是学术游戏。在实际场景中： - 观察到吸烟者肺癌率高（关联）不等于吸烟导致肺癌（因果） - 只有 SCM 能区分"冰淇淋销量与溺水率正相关"（共同原因：夏天）和"疫苗导致免疫"（真实因果）
与 wiki 已有概念的关系¶
- 误差级联: SCM 的链式结构方程 A→B→C 形式化了误差如何沿因果路径传播——SWE-EVO 观察到的级联效应在 SCM 框架下可以精确建模
- 层级系统: Simon 的近可分解性与 SCM 中的条件独立性结构同构——子系统边界对应 DAG 中的 d-分离集
- 机制可解释性: 神经网络内部的归因图本质上是一种因果图，追踪特征激活间的因果传播路径
Pearl 2010 综述的补充视角¶
Pearl 在其 2010 年权威综述中进一步阐明了 SCM 的统一地位。SCM 不仅是一种因果分析工具，更是一个元框架——它将以下六种独立发展的因果分析路径统一为同一框架的特例：
- 图模型路径（Wright 路径分析、贝叶斯网络）
- 潜在结果框架（Neyman-Rubin）
- 结构方程模型（计量经济学传统）
- 决策分析路径（Dawid 影响图）
- 干预主义路径（Woodward）
- 概率因果路径（Suppes）
Pearl 特别强调了 SCM 与潜在结果框架的关系：潜在结果框架中的原始未定义量 Y_x(u) 在 SCM 中是可推导的——它是子模型 M_x 中 Y 的解。SCM 不仅"兼容"潜在结果框架，而且为其提供了形式基础和语义解释。
Pearl 还提出了因果分析的四步方法论——Define、Assume、Identify、Estimate——其中 SCM 在每一步都扮演关键角色：定义阶段提供计算 Q(M) 的程序性定义，假设阶段提供编码因果知识的图语言，识别阶段提供从图到估计式的推导工具。
References¶
- Pearl, Judea (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
- Pearl, Judea; Mackenzie, Dana (2018). The Book of Why. Basic Books.
- Pearl, Judea (2010). "An Introduction to Causal Inference." The International Journal of Biostatistics, 6(2).
sources/pearl-intro-causal-inference-2010.md - Stanford Encyclopedia of Philosophy, "Causal Models" (2018).
sources/wikipedia-causal-model.md