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。
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。
形式化定义
结构因果模型通常写成一个元组:
其中:
- 是一组外生变量,其成因不在系统内部建模。
- 是一组内生变量,其取值由模型内部决定。
- 是一组结构函数。
- 是外生变量的联合概率分布。
每个内生变量都满足如下形式的方程:
其中, 表示该变量的内生父变量, 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 如何生成,而不只是断言一个代数等式成立。
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。
“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。
解与诱导分布
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 。
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。
因果图与统计结构
结构因果模型有一个与之对应的有向图:当 的结构函数依赖于 时,图中就有一条箭头 。对于无环模型,该图是有向无环图。
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。
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:
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。
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。
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。
干预与 do 算子
一个核心操作是理想干预,记为:
它将 的结构方程替换为:
同时保持其他方程及 不变。得到的模型通常记为 ,其结果分布写作:
这与条件概率 有根本区别。条件化是选出 恰好等于 的情形;干预则改变了 的生成方式。
示例:存在关联却没有因果效应
考虑:
其中,外生变量相互独立,均值为零,且方差有限。
这里, 是 和 的共同原因。二者的协方差为:
因此,只要 的方差大于零,二者就存在关联。
然而,在 下,只有 的方程发生变化。决定 和 的方程保持不变,因此:
所以,尽管 与 在观测中存在关联,该模型仍认为对 的干预不会对 产生因果效应。这是混杂的一个基本例子。
其他干预
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。
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。
反事实
结构因果模型还定义了反事实量,例如 :对于某个特定的外生状态 ,在 的干预下, 将取的值。
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。
反事实推断通常分为三个步骤:
- **溯因:**利用观测证据 更新外生变量的分布,得到 。
- **行动:**替换相关的结构方程,形成干预后的模型。
- **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。
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。
例如,假设:
对于一个观测到 且 的个体,由方程可得 。在将 设为 的干预下,模型给出:
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 的假设。仅凭观测数据通常无法确定这一结论。
与潜在结果的关系
潜在结果框架表示不同赋值下的结果,例如 。结构因果模型通过其干预语义生成这类量。
对于二元暴露,平均因果效应可以表示为:
其中, 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。
这两种框架都不能免除对假设的需要。特别是,仅仅知道 和 各自的分布,通常并不能识别它们的联合分布。
识别与估计
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。
混杂调整
如果观测变量集 相对于 和 满足适当的后门调整准则,那么对于离散的 ,有:
对于连续变量,则用积分代替求和。
这一图准则要求: 不包含 的任何后代,并阻断从 到 、且以指向 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。
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。
调整之外的方法
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。
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。
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。
线性与非线性模型
线性结构因果模型可写为:
其中,元素 是从 到 的直接效应系数。如果 可逆,则:
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 成为严格三角矩阵,从而保证 可逆。
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。
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。
对于有环线性系统, 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。
历史发展
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。
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。
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。
应用与局限
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。
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。
重要的建模问题包括:
- **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。
- **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。
- **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。
- **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。
- **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。
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。