什么是 因果有向无环图？
因果有向无环图是一种节点表示因果变量、箭头表示直接因果假设的有向无环图，可用于推理路径、条件独立、干预与协变量调整。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
链、叉形与碰撞点对条件化的响应不同
对非碰撞点条件化会阻断链 A->M->Y 或叉形 A<-U->Y；碰撞点 A->C<-Y 默认阻断路径，但对碰撞点或其后代条件化会打开关联。这解释了为什么调整全部预测特征可能阻断中介路径或制造选择偏差。AHRQ 因果 DAG 指南把这些路径规则连接到反事实效应与协变量选择。
后门准则把图转换为调整主张
为了估计处理 A 对结果 Y 的总效应，调整集不得包含 A 的后代，并且必须阻断所有以箭头指向 A 开始的后门路径。可能存在多个有效集合；在测量误差或重叠有限时，最小集合或预测最强集合都不自动最优。未测共同原因应作为潜节点显式出现，不能静默省略。
观测数据可以反驳推论，却很少能认证整张图
在 Faithfulness 与测量假设下，条件独立检验可以发现 DAG 的矛盾；但多张 Markov 等价图可能产生相同的观测独立关系。因果发现仍需要背景约束、干预或更强函数假设。应版本化保存图、变量定义、时间索引、目标估计量与调整集，并对不确定边执行敏感性分析。
主要特点
- 用节点表示因果变量、用箭头表达结构假设
- 要求有向路径不存在同一时点的因果环
- 通过 D 分离判断路径开放或阻断
- 区分混杂变量、中介、碰撞点与后代
- 在估计前支持调整集与可识别性分析
- 编码了观测数据通常无法单独证明的假设
常见用途
- 为处理效应估计选择处理前协变量
- 发现特征流水线中的碰撞点或中介调整错误
- 记录工具变量设计背后的结构假设
- 区分因果识别与预测特征选择
- 审查时间顺序、缺失原因和选择过程对分析的影响
示例
Loading code...常见问题
在因果 DAG 中画一条箭头就能证明因果吗？
不能。箭头记录由领域知识、设计、时间顺序或既有证据支持的因果假设，图用于推导该模型的后果。观测拟合可以在额外条件下发现矛盾，却不能把人为声明的箭头自动变成已证明机制。
因果 DAG 为什么必须无环？
DAG 不能存在从某节点出发又沿箭头回到自身的路径。现实反馈可以用不同时间点的节点表示，例如 `t` 时刻状态影响 `t+1` 时刻状态；压缩时间会隐藏反馈，使调整与干预语义含糊。
DAG 如何决定应该调整哪些变量？
估计总效应时，应选择能阻断处理到结果全部后门路径、且不包含处理后代的集合。不能调整目标总效应路径上的中介，也不能调整会打开路径的碰撞点。可信推理还要求图纳入相关潜在原因。
因果发现能从数据中恢复真实 DAG 吗？
仅凭观测数据通常不能唯一恢复。Markov 等价的多张 DAG 可编码相同条件独立关系，结果还依赖 Faithfulness、因果充分性、测量与模型类别假设，因此需要时间顺序、实验、背景约束与敏感性分析。
因果 DAG 与贝叶斯网络有什么区别？
两者都可使用 DAG 分解联合分布，但贝叶斯网络中的箭头不一定支持干预语义。因果 DAG 额外断言结构因果解释：通过干预改变父节点时，后代按模型变化，其他机制保持稳定。