{
  "id": "back-door-criterion",
  "title": "后门准则",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "后门准则是一种图形条件，用于确定哪些协变量集合足以通过混杂调整来估计因果效应。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "后门判据"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/back-door-criterion/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/back-door-criterion/",
      "json": "https://aiwiki.page/en/back-door-criterion.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "后门准则是因果推断中的一条图形规则，用于判断在估计因果效应时，能否利用一组观测变量来调整混杂。该准则由朱迪亚·珀尔提出，适用于因果有向无环图（DAG）：调整集不能包含处理变量的任何后代，并且必须阻断处理与结果之间所有以指向处理变量的箭头起始的路径。当这些条件成立，且满足取值支持和因果模型方面的假设时，就可以通过协变量调整，从适当的观测分布中识别因果效应。"
    },
    {
      "heading": "因果图与后门路径",
      "text": "因果 DAG 用节点表示变量，用箭头表示直接因果关系。它比普通贝叶斯网络具有更强的解释含义：箭头不仅描述观测分布如何分解，还指明变量如何生成，以及系统如何响应干预。\n\n设 \\(X\\) 表示处理或暴露，\\(Y\\) 表示结果。如下有向路径\n\n\\[X\\to M\\to Y\\]\n\n表示改变 \\(X\\) 可能影响 \\(Y\\) 的一条途径。相比之下，路径\n\n\\[X\\leftarrow C\\to Y\\]\n\n可能产生观测关联，因为 \\(C\\) 是 \\(X\\) 和 \\(Y\\) 的共同原因。这是一条后门路径，因为它的第一条边在 \\(X\\) 处有一个箭头。\n\n路径是由相邻节点组成的序列，不必沿箭头方向行进。因此，后门路径可能比单一的共同原因分叉结构更复杂。定义后门路径的关键在于处理变量处第一条边的方向，而不是路径长度或后续边的方向。\n\n该准则将可能传递目标因果效应的路径，与可能产生非因果关联的路径区分开来。"
    },
    {
      "heading": "形式化定义",
      "text": "设 \\(G\\) 为因果 DAG，\\(X\\) 和 \\(Y\\) 为其中两个不同的节点。若与 \\(\\{X,Y\\}\\) 不相交的集合 \\(Z\\) 满足以下条件，则称其满足相对于 \\((X,Y)\\) 的后门准则：\n\n- \\(Z\\) 中没有任何成员是 \\(X\\) 的后代。 后代是指从 \\(X\\) 出发，沿一条至少包含一条边的有向路径可以到达的节点。\n- \\(Z\\) 阻断了从 \\(X\\) 到 \\(Y\\) 的所有以指向 \\(X\\) 的箭头起始的路径。\n\n阻断通过d分离来定义。在一条特定路径上，如果某个内部节点两侧相邻的边都指向它，那么该节点就是一个碰撞点。给定 \\(Z\\) 时，一条路径开放或活跃，当且仅当：\n\n- 路径上的每个非碰撞点都不属于 \\(Z\\)；并且\n- 路径上的每个碰撞点要么属于 \\(Z\\)，要么至少有一个后代属于 \\(Z\\)。\n\n只要有一项要求不满足，路径就被阻断。因此，以非碰撞点为条件会阻断路径，而以碰撞点或其某个后代为条件，则可能打开原本被阻断的路径。在图的马尔可夫假设下，d分离可以从图结构推出条件独立关系。\n\n对于不包含 \\(X\\) 的任何后代的集合 \\(Z\\)，第二个条件也可以通过以下等价方式检验：删除所有从 \\(X\\) 出发的箭头，再检验 \\(Z\\) 是否在所得图中将 \\(X\\) 与 \\(Y\\) d分离。删除这些出向箭头，就移除了那些起始时沿处理变量因果影响方向行进的路径。\n\n空集也可能满足该准则。在这种情况下，无须调整任何协变量即可阻断后门路径。"
    },
    {
      "heading": "调整公式",
      "text": "如果 \\(Z\\) 满足后门准则，那么对于离散变量，干预分布为\n\n\\[P(Y=y\\mid \\operatorname{do}(X=x)) = \\sum_z P(Y=y\\mid X=x,Z=z)\\,P(Z=z).\\]\n\n这里，do算子表示将 \\(X\\) 设定为 \\(x\\) 的干预，以此替代 \\(X\\) 通常的因果赋值机制。这不同于普通的以 \\(X=x\\) 为条件的条件概率；后者选取的是处理变量自然取该值的观测。\n\n对于连续调整变量，相应表达式使用积分：\n\n\\[p(y\\mid \\operatorname{do}(X=x)) = \\int p(y\\mid x,z)\\,p(z)\\,dz.\\]\n\n这些公式首先在各协变量分层内比较结果，然后按照目标总体中的协变量分布取平均。重要的是，加权所用的分布是 \\(P(Z=z)\\)，而不是 \\(P(Z=z\\mid X=x)\\)。\n\n对于数值型结果，干预均值为\n\n\\[\\mathbb{E}[Y\\mid \\operatorname{do}(X=x)] = \\mathbb{E}_{Z}\\!\\left[ \\mathbb{E}[Y\\mid X=x,Z] \\right],\\]\n\n其中，内层的量是条件期望。因此，对于二元处理，平均处理效应为\n\n\\[\\operatorname{ATE} = \\mathbb{E}_{Z}\\!\\left[ \\mathbb{E}[Y\\mid X=1,Z] - \\mathbb{E}[Y\\mid X=0,Z] \\right].\\]\n\n与潜在结果的关系\n\n在潜在结果框架中，\\(Y(x)\\) 表示处理水平为 \\(x\\) 时的结果。在相应的因果模型下，有效的后门调整集为条件可交换性提供了一个图形上的充分条件：\n\n\\[Y(x)\\perp X\\mid Z,\\]\n\n结合一致性条件，即当 \\(X=x\\) 时 \\(Y=Y(x)\\)，可得\n\n\\[\\begin{aligned} \\mathbb{E}[Y(x)] &=\\mathbb{E}_{Z}\\!\\left[\\mathbb{E}[Y(x)\\mid Z]\\right]\\\\ &=\\mathbb{E}_{Z}\\!\\left[\\mathbb{E}[Y(x)\\mid X=x,Z]\\right]\\\\ &=\\mathbb{E}_{Z}\\!\\left[\\mathbb{E}[Y\\mid X=x,Z]\\right]. \\end{aligned}\\]\n\n从观测数据中进行识别还需要满足正值性：在参与平均的各个协变量分层内，处理水平 \\(x\\) 都必须有取值支持。对于离散变量，这意味着只要 \\(P(Z=z)>0\\)，就必须有\n\n\\[P(X=x\\mid Z=z)>0\\]\n\n成立。图形上有效的调整集本身并不能保证正值性。"
    },
    {
      "heading": "示例",
      "text": "共同原因\n\n考虑由以下箭头构成的图：\n\n\\[C\\to X,\\qquad C\\to Y,\\qquad X\\to Y.\\]\n\n未经调整时，路径 \\(X\\leftarrow C\\to Y\\) 是开放的。由于 \\(C\\) 不是 \\(X\\) 的后代，以 \\(C\\) 为条件就能阻断这条路径，并满足后门准则：\n\n\\[P(y\\mid \\operatorname{do}(x)) = \\sum_c P(y\\mid x,c)P(c).\\]\n\n相比之下，未经调整的关联 \\(P(y\\mid x)\\) 使用 \\(P(c\\mid x)\\) 取平均，而该分布可能因处理组别不同而有所差异。\n\n多个有效调整集\n\n假设图由以下箭头构成：\n\n\\[A\\to X,\\qquad A\\to B,\\qquad B\\to Y,\\qquad X\\to Y.\\]\n\n其后门路径为\n\n\\[X\\leftarrow A\\to B\\to Y.\\]\n\n\\(\\{A\\}\\) 和 \\(\\{B\\}\\) 都能阻断这条路径，且两个变量都不是 \\(X\\) 的后代。因此，两者都是有效调整集，\\(\\{A,B\\}\\) 也是。\n\n如果一个有效集的任何真子集都不是有效集，就称其为极小调整集。极小并不意味着唯一确定，也不一定意味着在统计精度方面最优。\n\n以碰撞点为条件\n\n考虑以下箭头：\n\n\\[A\\to X,\\qquad A\\to C,\\qquad B\\to C,\\qquad B\\to Y,\\qquad X\\to Y.\\]\n\n后门路径\n\n\\[X\\leftarrow A\\to C\\leftarrow B\\to Y\\]\n\n最初在碰撞点 \\(C\\) 处被阻断。因此，在该图中，空集满足后门准则。仅以 \\(C\\) 为条件会打开这条路径，可能引入碰撞变量偏差，而非消除混杂。\n\n这说明，调整所有可用变量并不是一种普遍有效的策略。条件化或选择可能产生调整前不存在的关联，这一机制也与选择偏差有关。\n\n中介变量\n\n在图\n\n\\[X\\to M\\to Y,\\]\n\n中，\\(M\\) 位于因果路径上，并且是 \\(X\\) 的后代。因此，后门准则将其排除在调整集之外。调整 \\(M\\) 通常会阻断总因果效应的一部分。\n\n估计直接效应和间接效应是另一个问题，由因果中介分析处理。仅以中介变量为条件，本身并不能识别直接因果效应。"
    },
    {
      "heading": "识别与估计",
      "text": "后门准则解决的是统计识别问题：在给定假设下，能否用观测概率分布来表示某个因果量。它并不指定唯一的估计量。\n\n一旦确定了合理的调整集，就可以通过以下方法估计调整公式：\n\n- 先进行结果回归，再按照协变量分布进行标准化；\n- 分层或匹配；\n- 逆概率加权；\n- 结合结果模型与处理分配模型的方法。\n\n这些方法可以针对同一个已识别的效应，但在建模假设、有限样本表现，以及对处理组间重叠不足的敏感性方面有所不同。\n\n在线性回归中纳入 \\(Z\\)，并不自动等同于正确计算调整公式。函数形式、交互作用以及目标效应的定义都很重要。在非线性模型中，处理变量的系数不一定等于边际因果效应。"
    },
    {
      "heading": "适用范围与局限",
      "text": "对因果图的依赖\n\n后门准则的有效性是相对于假定的因果结构而言的。仅凭观测关联，通常无法确定所有箭头的方向，也无法证实所有相关的共同原因都已被测量。\n\n如果一个未观测变量 \\(U\\) 形成了路径\n\n\\[X\\leftarrow U\\to Y,\\]\n\n且没有任何观测变量能够阻断所有相关的后门路径，那么可能不存在由观测变量组成的后门调整集。该规则并不能作为认定未测量混杂不存在的依据。\n\n充分条件，而非必要条件\n\n经典后门准则是协变量调整的充分条件，但并不是刻画所有有效调整集的必要条件。它一概排除处理变量后代的做法较为保守：更一般的调整准则允许纳入某些后代，只要它们不会破坏识别。\n\n找不到后门调整集，也不意味着任何方法都无法识别因果效应。在适当的图中，即使不存在后门调整集，前门准则或更一般的do演算论证也能识别效应。工具变量方法在其自身假设下提供了另一条途径，不过可识别的效应取决于所用模型。\n\n图形上的有效性并不决定精度\n\n不同的有效调整集可能产生方差不同的估计量。额外的协变量可以改善结果预测，但也可能增加模型复杂度，或加剧处理组间重叠不足的问题。有效集不一定是统计效率最高的集合，更大的集合也不一定更稳妥。\n\n必须明确待估目标量\n\n经典准则针对的是为估计某一指定处理对结果的总效应而进行的调整。联合干预、纵向处理方案、直接效应以及经选择人群中的效应，都需要额外谨慎。尤其是，一个变量可能混杂后期处理与结果之间的关系，同时自身又受到前期处理的影响，此时普通的单阶段调整就不合适。"
    },
    {
      "heading": "历史作用",
      "text": "珀尔提出的这一准则，使图形阻断规则成为因果推断中选择协变量的明确依据。它将用箭头表示的实质性因果假设与观测调整公式联系起来，而无须依赖某种特定的线性模型或参数模型。共同原因、中介变量与碰撞点之间的区别，解释了为什么调整是一项因果建模决策，而不仅仅是预测关联方面的问题。"
    }
  ],
  "links": [
    "causal-inference",
    "confounding",
    "directed-acyclic-graph",
    "bayesian-network",
    "d-separation",
    "conditional-independence",
    "conditional-probability",
    "conditional-expectation",
    "selection-bias",
    "statistical-identification",
    "estimator",
    "linear-regression",
    "instrumental-variables",
    "variance"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}