{
  "id": "collider",
  "title": "碰撞点",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "碰撞点是有向图路径上两个箭头汇聚的节点；以其为条件可能使原本独立的变量产生依赖。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "对撞点",
    "碰撞节点",
    "碰撞变量",
    "对撞变量"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/collider/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/collider/",
      "json": "https://aiwiki.page/en/collider.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "碰撞点是有向图中某条路径上的一个节点，该路径上与其相邻的两条边都以箭头指向它。最简单的例子是 \\(X \\rightarrow C \\leftarrow Y\\)，其中 \\(C\\) 就是碰撞点。在概率图模型和因果推断中，碰撞点之所以重要，是因为以碰撞点为条件，有时甚至以其某个后代节点为条件，都可能使原本独立的变量在统计上产生依赖。这一机制是一种重要的选择偏差——碰撞偏差——的成因。"
    },
    {
      "heading": "图上的定义",
      "text": "考虑一条路径，其中包含三个连续且互不相同的节点 \\(A\\)、\\(B\\) 和 \\(D\\)。当局部结构如下时，中间节点 \\(B\\) 就是这条路径上的碰撞点：\n\n\\[A \\rightarrow B \\leftarrow D.\\]\n\n两个箭头都指向 \\(B\\)。相比之下，在以下任一结构中，\\(B\\) 都不是碰撞点：\n\n\\[A \\rightarrow B \\rightarrow D, \\qquad A \\leftarrow B \\rightarrow D, \\qquad A \\leftarrow B \\leftarrow D.\\]\n\n这里所说的路径，不要求箭头方向与沿路径行进的方向一致。\n\n一个节点是否为碰撞点，取决于所考察的具体路径，而不是节点本身的绝对属性。一个连接着多条边的节点，可能在一条路径上是碰撞点，而在另一条路径上不是。\n\n在有向无环图（DAG）中，碰撞点在所考察的路径上有两个父节点。如果对该图作因果解释，那么碰撞点就是这两个父节点的共同结果。从碰撞点出发，沿一个或多个箭头可以到达的节点，称为它的后代节点。\n\n如果结构 \\(X \\rightarrow C \\leftarrow Y\\) 中的 \\(X\\) 与 \\(Y\\) 之间没有边，那么这一结构也称为无屏蔽碰撞结构或 v 结构。碰撞点不一定是无屏蔽的：指向它的两个节点之间也可以有边相连。"
    },
    {
      "heading": "概率与条件依赖",
      "text": "通过一个包含三个变量的贝叶斯网络，可以看出碰撞点的特殊性质。图结构\n\n\\[X \\rightarrow C \\leftarrow Y\\]\n\n蕴含如下分解：\n\n\\[p(x,y,c)=p(x)\\,p(y)\\,p(c\\mid x,y).\\]\n\n这里，\\(p\\) 表示概率质量函数，或在适用时表示概率密度函数。对 \\(C\\) 进行边缘化可得\n\n\\[p(x,y)=p(x)\\,p(y),\\]\n\n因此，\\(X\\) 和 \\(Y\\) 具有统计独立性。\n\n然而，以 \\(C=c\\) 为条件后，对于满足 \\(p(c)>0\\) 的取值，有\n\n\\[p(x,y\\mid c) = \\frac{p(x)\\,p(y)\\,p(c\\mid x,y)}{p(c)},\\]\n\n这个表达式通常不能分解为 \\(p(x\\mid c)p(y\\mid c)\\)。因此，知道 \\(C\\) 的取值后，关于 \\(X\\) 的信息就可能对预测 \\(Y\\) 有所帮助。\n\n这种效应通常称为解释消除。如果两个原因中的任何一个都可能导致某个已观察到的结果，那么得知其中一个原因存在，可能会降低将该结果归因于另一个原因的必要性。不过，仅凭碰撞结构本身，无法确定所诱导关联的正负或强弱；某些特定的概率分布也可能不会产生这种依赖。\n\n一个二元变量的例子\n\n设 \\(X\\) 和 \\(Y\\) 是相互独立的二元随机变量，各自以 \\(1/2\\) 的概率等于 1。定义：只要 \\(X\\) 或 \\(Y\\) 中至少有一个等于 1，就令 \\(C=1\\)。\n\n在施加条件之前，\n\n\\[P(Y=1\\mid X=0)=P(Y=1\\mid X=1)=\\frac12.\\]\n\n在满足 \\(C=1\\) 的观测中，可能的取值对为 \\((1,0)\\)、\\((0,1)\\) 和 \\((1,1)\\)，各自的条件概率均为 \\(1/3\\)。因此，\n\n\\[P(Y=1\\mid X=0,C=1)=1,\\]\n\n而\n\n\\[P(Y=1\\mid X=1,C=1)=\\frac12.\\]\n\n这种负关联是由仅考察满足共同结果条件的观测而产生的，并不意味着改变 \\(X\\) 会在因果上改变 \\(Y\\)。"
    },
    {
      "heading": "碰撞点与 d分离",
      "text": "支配上述现象的一般图规则是d分离。在有向无环图中，给定条件集合 \\(Z\\)，一条路径是活跃的，或称开放的，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\\)，要么有后代节点属于 \\(Z\\)。\n\n如果给定 \\(Z\\) 后，两个节点之间没有任何活跃路径，那么这两个节点就被 \\(Z\\) d分离。在图马尔可夫性质成立的情况下，d分离蕴含条件独立。\n\n因此，未被作为条件的碰撞点会阻断路径，而以它为条件则可能打开该路径。以其后代节点为条件也可能激活这个碰撞点，因为后代节点可能传递有关它的信息。例如，在\n\n\\[X \\rightarrow C \\leftarrow Y, \\qquad C \\rightarrow S,\\]\n\n中，即使没有观测到 \\(C\\)，以 \\(S\\) 为条件也可能打开 \\(X\\) 与 \\(Y\\) 之间的路径。\n\n打开一个碰撞点，并不一定会打开整条路径：另一个碰撞点可能仍未被激活，或者路径上其他位置的某个非碰撞点因被作为条件而阻断路径。此外，开放路径允许统计依赖存在，但并不保证每一个与图相容的概率分布都存在这种依赖。额外引入的忠实性假设排除了那些并非由 d分离所蕴含的条件独立关系。"
    },
    {
      "heading": "碰撞偏差与选择",
      "text": "当条件化激活一条路径，使其产生对研究问题具有误导性的关联时，就会出现碰撞偏差。条件化不一定意味着显式计算条件概率。它也可能通过以下方式发生：\n\n- 将样本限定为符合某项资格标准的观测；\n- 按共同结果对结果进行分层；\n- 将共同结果作为协变量纳入回归；\n- 仅分析那些是否被纳入取决于多个变量的记录。\n\n例如，假设两个相互独立的特征都会影响某个项目的录取。在获录取的申请者中，一个特征的值较低时，另一个特征的值可能往往较高。录取是一个碰撞点，而将分析限定于获录取的申请者，就相当于以录取为条件。在这一选定群体中观察到的关联，不一定能描述整个申请者总体。\n\n伯克森悖论是这一机制的经典表现：选择进入某个被观察群体的过程，可能产生该群体来源总体中原本不存在的关联。选择效应还可能扭曲甚至逆转已经存在的关联。\n\n并非所有涉及碰撞点的分析都必然有误。所选人群内部的条件关联，本身就可能是研究者想要描述的对象。偏差所涉及的是估计的量与目标总体或目标因果效应之间的不匹配。"
    },
    {
      "heading": "与混杂因素和中介变量的区别",
      "text": "碰撞点不同于另外两种常见的因果结构。\n\n\\(Z\\) 的角色 | 基本结构 | 以 \\(Z\\) 为条件的影响\n作为共同原因的混杂因素 | \\(X \\leftarrow Z \\rightarrow Y\\) | 阻断这条共同原因路径\n中介变量 | \\(X \\rightarrow Z \\rightarrow Y\\) | 阻断这条有向因果路径\n碰撞点 | \\(X \\rightarrow Z \\leftarrow Y\\) | 若没有其他节点阻断，则打开这条路径\n\n混杂因素并不是泛指任何同时与暴露和结局相关的变量。在基本的共同原因结构中，它先于暴露和结局，并对两者都有影响。以它为条件，可以消除沿这条路径传递的关联。\n\n中介变量传递部分因果影响。以它为条件，会改变比较中所包含的因果路径，通常无法保留总因果效应。\n\n相比之下，碰撞点接收来自路径上两个相邻节点的箭头。对它进行调整，可能引入而非消除关联。因此，在线性回归模型中加入更多协变量，并不一定能改善因果估计。\n\n这些角色仍然取决于路径：同一个变量可能阻断一条路径，同时打开另一条路径。重要的是完整的图结构和目标效应，而不只是变量的标签。"
    },
    {
      "heading": "在因果发现中的作用",
      "text": "无屏蔽碰撞结构在因果发现中十分重要，因为条件独立模式有助于限定可能的图结构。以下三个图\n\n\\[X \\rightarrow C \\rightarrow Y, \\qquad X \\leftarrow C \\rightarrow Y, \\qquad X \\leftarrow C \\leftarrow Y\\]\n\n在这三个节点上具有相同的 d分离模式。无屏蔽碰撞结构 \\(X \\rightarrow C \\leftarrow Y\\) 则具有不同的模式。\n\n两个有向无环图马尔可夫等价，即它们蕴含相同的 d分离关系，当且仅当它们具有相同的底层无向邻接关系，以及相同的无屏蔽碰撞结构。因此，碰撞结构的箭头定向提供了仅凭邻接关系无法获得的信息。\n\n从观测数据中推断这些结构，需要相应的假设和可靠的条件独立性判断。有限样本、未观测到的共同原因、选择机制，以及对忠实性假设的违反，都可能限制这类方法所能得出的结论。调整后出现的相关性，本身并不能证明存在碰撞点。"
    }
  ],
  "links": [
    "directed-graph",
    "probabilistic-graphical-model",
    "causal-inference",
    "selection-bias",
    "directed-acyclic-graph",
    "bayesian-network",
    "probability-mass-function",
    "probability-density-function",
    "statistical-independence",
    "random-variable",
    "d-separation",
    "conditional-independence",
    "conditional-probability",
    "confounding",
    "linear-regression"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}