{
  "id": "structural-causal-model",
  "title": "结构因果模型",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "结构因果模型通过方程和背景变量的分布表示因果机制，为观测、干预与反事实的形式化分析提供框架。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "SCM"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/structural-causal-model/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/structural-causal-model/",
      "json": "https://aiwiki.page/en/structural-causal-model.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "结构因果模型（structural causal model，简称 SCM）是对系统的一种数学表示，其中每个建模变量都由一个明确指定的机制决定，该机制涉及其他变量及背景因素。与仅描述统计关联的模型不同，结构因果模型明确规定了某些机制被外部替换后，系统会如何变化。它为因果推断提供了一个框架，可用于分析干预和反事实问题。\n\n结构因果模型的决定性特征，并不在于方程是否线性、在总体层面是否具有确定性，或能否直接观测，而在于这些方程被赋予了因果解释：每个方程都代表一种机制，除非模型另有明确规定，否则假定该机制在其他机制发生改变时保持不变。"
    },
    {
      "heading": "形式化定义",
      "text": "结构因果模型通常写成一个元组：\n\n\\[M=(U,V,F,P_U),\\]\n\n其中：\n\n- \\(U\\) 是一组外生变量，其成因不在系统内部建模。\n- \\(V=\\{V_1,\\ldots,V_n\\}\\) 是一组内生变量，其取值由模型内部决定。\n- \\(F=\\{f_1,\\ldots,f_n\\}\\) 是一组结构函数。\n- \\(P_U\\) 是外生变量的联合概率分布。\n\n每个内生变量都满足如下形式的方程：\n\n\\[V_i:=f_i(\\operatorname{Pa}_i,U_i),\\]\n\n其中，\\(\\operatorname{Pa}_i\\) 表示该变量的内生父变量，\\(U_i\\) 表示其生成机制所使用的外生输入。赋值符号 \\(:=\\) 强调，方程规定的是 \\(V_i\\) 如何生成，而不只是断言一个代数等式成立。\n\n一旦输入确定，函数的输出就是确定的。随机性来自外生随机变量。这并不意味着结构因果模型只能表示观测量之间简单的确定性关系：足够丰富的外生变量可以用来表示随机机制。\n\n“外生”并不意味着独立、经过随机化，也不意味着必然不可观测。它指的是变量的生成机制位于模型之外。外生变量之间的依赖关系可以表示未纳入模型的共同原因。\n\n解与诱导分布\n\n如果因果结构无环，就可以按照父变量先于子变量的顺序计算各个方程。在适当的可测性假设下，外生变量的每一组取值都会唯一确定内生变量的一组取值，从而诱导出观测分布 \\(P(V)\\)。\n\n对于包含反馈的模型，则需要格外谨慎。给定一种外生状态，其方程可能无解、有唯一解，也可能有多个解。因此，解的存在性、唯一性以及模型在干预下的行为，都必须另行规定或证明；仅仅写出一组方程，并不能保证这些性质成立。"
    },
    {
      "heading": "因果图与统计结构",
      "text": "结构因果模型有一个与之对应的有向图：当 \\(V_i\\) 的结构函数依赖于 \\(V_j\\) 时，图中就有一条箭头 \\(V_j\\to V_i\\)。对于无环模型，该图是有向无环图。\n\n图概括了哪些变量直接进入哪些机制，但通常并不决定数值上的作用强度、函数形式或外生变量的分布。因此，许多不同的结构因果模型可以具有相同的图。\n\n当外生输入相互独立，且内生变量构成的图无环时，诱导出的分布可分解为：\n\n\\[p(v_1,\\ldots,v_n) = \\prod_{i=1}^{n}p(v_i\\mid \\operatorname{pa}_i),\\]\n\n其中根据具体情况使用概率密度或概率质量。这与贝叶斯网络的分解形式相似。因果解释则提供了纯统计网络中没有的信息：它规定了机制改变后会发生什么。\n\n在相应的马尔可夫假设下，图分离准则蕴含相应的条件独立关系。反向推断通常需要进一步的假设。特别是，忠实性假设排除了仅由因果效应特殊抵消而产生的条件独立关系。\n\n如果某些共同原因不可观测，那么在仅包含观测变量的图中，可以用双向边表示潜在的共同原因。这类边是对潜在结构的图形化概括，而不是表示相互作用的两条因果箭头。"
    },
    {
      "heading": "干预与 do 算子",
      "text": "一个核心操作是理想干预，记为：\n\n\\[\\operatorname{do}(X=x).\\]\n\n它将 \\(X\\) 的结构方程替换为：\n\n\\[X:=x,\\]\n\n同时保持其他方程及 \\(P_U\\) 不变。得到的模型通常记为 \\(M_x\\)，其结果分布写作：\n\n\\[P_M(Y\\mid \\operatorname{do}(X=x)).\\]\n\n这与条件概率 \\(P(Y\\mid X=x)\\) 有根本区别。条件化是选出 \\(X\\) 恰好等于 \\(x\\) 的情形；干预则改变了 \\(X\\) 的生成方式。\n\n示例：存在关联却没有因果效应\n\n考虑：\n\n\\[Z:=U_Z,\\qquad X:=Z+U_X,\\qquad Y:=2Z+U_Y,\\]\n\n其中，外生变量相互独立，均值为零，且方差有限。\n\n这里，\\(Z\\) 是 \\(X\\) 和 \\(Y\\) 的共同原因。二者的协方差为：\n\n\\[\\operatorname{Cov}(X,Y)=2\\operatorname{Var}(Z),\\]\n\n因此，只要 \\(Z\\) 的方差大于零，二者就存在关联。\n\n然而，在 \\(\\operatorname{do}(X=x)\\) 下，只有 \\(X\\) 的方程发生变化。决定 \\(Z\\) 和 \\(Y\\) 的方程保持不变，因此：\n\n\\[P(Y\\mid \\operatorname{do}(X=x))=P(Y).\\]\n\n所以，尽管 \\(X\\) 与 \\(Y\\) 在观测中存在关联，该模型仍认为对 \\(X\\) 的干预不会对 \\(Y\\) 产生因果效应。这是混杂的一个基本例子。\n\n其他干预\n\n并非所有干预都会把变量固定为常数。随机干预用指定的随机赋值规则替换原有机制。策略干预可以根据观测信息来赋值。机制干预有时也称为软干预，它改变生成函数或其噪声分布，但不一定消除变量对既有原因的全部依赖。\n\n这些干预都必须明确定义。改变变量的方式不同，所对应的因果问题也可能不同。"
    },
    {
      "heading": "反事实",
      "text": "结构因果模型还定义了反事实量，例如 \\(Y_x(u)\\)：对于某个特定的外生状态 \\(u\\)，在 \\(X:=x\\) 的干预下，\\(Y\\) 将取的值。\n\n事实情境与反事实情境保留相同的外生状态。这样便能将关于同一建模个体在不同情境下的结果陈述联系起来，而不只是比较互不相关的总体。\n\n反事实推断通常分为三个步骤：\n\n- **溯因：**利用观测证据 \\(E=e\\) 更新外生变量的分布，得到 \\(P(U\\mid E=e)\\)。\n- **行动：**替换相关的结构方程，形成干预后的模型。\n- **预测：**在修改后的模型中，利用更新后的外生变量分布计算结果。\n\n溯因可以理解为对背景状态进行贝叶斯推断，但模型的函数和参数本身并不一定需要被赋予贝叶斯先验。\n\n例如，假设：\n\n\\[Y:=aX+U_Y.\\]\n\n对于一个观测到 \\(X=x\\) 且 \\(Y=y\\) 的个体，由方程可得 \\(U_Y=y-ax\\)。在将 \\(X\\) 设为 \\(X=x'\\) 的干预下，模型给出：\n\n\\[Y_{x'}=ax'+U_Y =y+a(x'-x).\\]\n\n这一关于个体的结论依赖于所指定的结构方程，以及两个情境中使用同一个 \\(U_Y\\) 的假设。仅凭观测数据通常无法确定这一结论。\n\n与潜在结果的关系\n\n潜在结果框架表示不同赋值下的结果，例如 \\(Y(x)\\)。结构因果模型通过其干预语义生成这类量。\n\n对于二元暴露，平均因果效应可以表示为：\n\n\\[\\mathbb{E}[Y(1)-Y(0)],\\]\n\n其中，\\(\\mathbb{E}\\) 表示期望值。结构因果模型还规定了连接各变量的机制，并能表达涉及多个假想世界的联合反事实陈述。\n\n这两种框架都不能免除对假设的需要。特别是，仅仅知道 \\(Y(0)\\) 和 \\(Y(1)\\) 各自的分布，通常并不能识别它们的联合分布。"
    },
    {
      "heading": "识别与估计",
      "text": "结构因果模型可以定义某个因果量，但这并不意味着能够从现有数据中恢复该量。识别所问的是：所有与既定假设及可用分布相容的模型，是否对该量给出相同的结果。这与能否从有限样本中准确估计该量是不同的问题。\n\n混杂调整\n\n如果观测变量集 \\(Z\\) 相对于 \\(X\\) 和 \\(Y\\) 满足适当的后门调整准则，那么对于离散的 \\(Z\\)，有：\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对于连续变量，则用积分代替求和。\n\n这一图准则要求：\\(Z\\) 不包含 \\(X\\) 的任何后代，并阻断从 \\(X\\) 到 \\(Y\\)、且以指向 \\(X\\) 的箭头起始的所有路径。基于数据的估计还需要足够的支持：在所使用的协变量各分层中，必须能够出现相关的暴露取值。\n\n对更多变量进行条件化，并不一定更稳妥。调整共同结果变量，可能会在其原因之间引入关联；调整中介变量，则可能消除所研究总效应的一部分。\n\n调整之外的方法\n\n即使无法进行常规的协变量调整，某些因果效应仍然可以被识别。相关方法包括前门识别、工具变量和 do 演算；do 演算是一套用于变换含干预表达式的图形规则。\n\n这些方法各有不同的要求。例如，工具变量方法需要对工具变量如何影响处理和结果作出假设；仅仅存在一个被称为“工具变量”的变量，本身并不能识别所关注的效应。\n\n在实验赋值机制下，随机化可以消除处理分配与背景原因之间的依赖关系。不过，要解释实验，仍需明确实施了何种干预，以及如何测量结果。\n\n识别确立后，便可用统计学方法估计已识别的表达式。大样本或高度灵活的预测模型，本身都不能解决无法实现统计识别的问题。"
    },
    {
      "heading": "线性与非线性模型",
      "text": "线性结构因果模型可写为：\n\n\\[V:=BV+U,\\]\n\n其中，元素 \\(B_{ij}\\) 是从 \\(V_j\\) 到 \\(V_i\\) 的直接效应系数。如果 \\(I-B\\) 可逆，则：\n\n\\[V=(I-B)^{-1}U.\\]\n\n这里的逆矩阵汇总了沿系统传递的各种作用。在无环模型中，适当的排序可使 \\(B\\) 成为严格三角矩阵，从而保证 \\(I-B\\) 可逆。\n\n直接效应系数不一定等于总因果效应，因为效应也可以通过中间变量传递。同样，线性回归的系数也不会自动获得结构性解释。这类解释取决于因果模型，以及关于遗漏原因、测量和扰动项依赖关系的假设。\n\n非线性结构因果模型允许阈值、交互作用、离散结果以及任意可测机制。这种灵活性扩大了模型可表示的系统范围，但并不会自动使其机制变得可识别或可估计。\n\n对于有环线性系统，\\(I-B\\) 可逆可以保证原方程组有唯一解，但不一定保证每个干预后的系统都有唯一解。动态稳定性也是另一项独立性质：唯一的均衡并不一定在所选的时间演化过程中稳定。"
    },
    {
      "heading": "历史发展",
      "text": "结构因果建模源自多个研究传统。休厄尔·赖特在二十世纪早期提出的路径分析，用有向图和方程表示变量关系。计量经济学中的结构方程方法，包括特里格韦·哈维尔莫的工作，区分了结构关系与系统所生成的观测分布。\n\n后续研究将结构方程与图模型、形式化干预及反事实语义联系起来。朱迪亚·珀尔的研究对现代结构因果模型框架和 do 演算的发展与传播起到了核心作用。\n\n现代意义上的这一术语涵盖的范围不止传统的线性结构方程建模：结构函数可以是非线性的，变量可以是离散或连续的，也可以显式表示潜在原因。"
    },
    {
      "heading": "应用与局限",
      "text": "结构因果模型用于经济学、社会科学、工程学和机器学习，以形式化因果假设、评估政策变化、研究中介作用，并考察系统发生变化时预测可能如何表现。\n\n其主要局限在于，仅凭对观测数据的拟合，无法获得因果层面的信息。不同模型可能生成相同的观测分布，却对干预结果给出不同判断。即使模型在所有单一世界的干预分布上都一致，也可能对某些联合反事实量给出不同结论。\n\n重要的建模问题包括：\n\n- **机制不变性：**未被改变的方程，在所考虑的干预下必须仍然适用。\n- **模型边界：**遗漏的共同原因、反馈、个体之间的干扰或测量过程，都可能使所提出的表示失效。\n- **干预的明确定义：**产生相同记录暴露值的不同操作程序，可能造成不同后果。\n- **测量与选择：**测量误差、观测缺失和选择偏差，都可能改变所建模系统与可用数据之间的关系。\n- **假设敏感性：**结论可能依赖于关于隐藏原因或函数形式的不可检验限制；敏感性分析考察这些限制发生变化时，结果会如何改变。\n\n观测数据的拟合优度检验可以排除某些结构因果模型，但通常无法证明未被排除的模型具有正确的因果解释。确立这种解释，需要实质性的领域知识、可获得的实验证据，以及对连接方程与实际系统的假设作出明确论证。"
    }
  ],
  "links": [
    "causal-inference",
    "probability-distribution",
    "random-variable",
    "directed-graph",
    "directed-acyclic-graph",
    "bayesian-network",
    "conditional-independence",
    "conditional-probability",
    "covariance",
    "confounding",
    "bayesian-inference",
    "expected-value",
    "instrumental-variables",
    "randomization",
    "statistics",
    "statistical-identification",
    "inverse-matrix",
    "linear-regression",
    "econometrics",
    "machine-learning",
    "selection-bias",
    "sensitivity-analysis"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}