什么是 结构因果模型（Structural Causal Model）？
结构因果模型（Structural Causal Model）简称 SCM，是一组自主结构赋值组成的形式系统，它把外生背景变量和因果父节点映射为内生变量，从而显式支持观测、干预与反事实推理。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
自主结构赋值让箭头具有因果含义
方程 Y=f_Y(A,U_Y) 表示 A 与背景因素 U_Y 通过一个机制生成 Y，并假定当其他机制被改变时，该机制可以保持稳定。未画出的箭头以及外生变量之间的独立性假设同样重要。Pearl 的因果推断综述把结构方程、图准则、干预与反事实组织在同一形式语言中。
干预是替换机制，而不是对事件做条件化
干预 do(A=a) 会删除 A 原有的结构赋值，并用常量 a 替换，同时保留其他结构赋值。它通常不同于观测到 A=a：观测仍保留产生 A 的原因，而干预切断其入边。可识别性问题研究在模型假设下，干预分布能否由观测分布唯一推出。
反事实会复用由证据推断出的背景条件
个体反事实遵循溯因、行动、预测三步：根据已观测证据更新外生变量的信念，替换目标机制，再在修改后的模型中传播结果。答案依赖函数形式、外生变量依赖、测量与不变性假设，观测拟合本身无法认证这些条件。应比较模型蕴含的独立关系与可用实验，并报告多种同样拟合数据的 SCM 是否给出不同反事实。
主要特点
- 区分外生背景因素与模型内部决定的内生变量
- 为每个内生变量定义一条自主结构赋值
- 诱导因果图，同时保留超越图结构的函数信息
- 通过替换目标结构赋值来表示干预
- 通过溯因、行动与预测支持反事实推理
- 依赖不能仅由观测拟合验证的因果假设
常见用途
- 区分主动干预与对已观测特征做条件化
- 在显式数据生成机制下模拟策略变化
- 为模型审计定义个体级反事实问题
- 从因果假设推导调整或可识别性结论
- 记录哪些机制被假定可跨环境保持不变
示例
Loading code...常见问题
结构因果模型与因果有向无环图有什么区别？
因果 DAG 记录变量与有向结构假设；SCM 还规定生成变量取值的结构赋值与外生变量。图可以支持路径和可识别性推理，而许多定量干预和个体反事实问题还需要函数层面的信息。
为什么观测到 A=a 不等于执行 do(A=a)？
对 `A=a` 条件化会保留产生该观测值的过程与共同原因；`do(A=a)` 则替换 A 的结构赋值并切断其入边。只有当相关选择或混杂差异被排除时，两种分布才会一致。
拟合出结构方程能证明 SCM 具有因果性吗？
不能。多种因果结构和函数可能拟合同一个观测分布。因果解释还需要研究设计、时间顺序、机制不变性、实验或其他识别证据，并应检验可观测推论及对不确定结构的敏感性。
SCM 中的内生变量与外生变量是什么？
内生变量由模型内部的结构赋值根据其因果父节点决定；外生变量表示原因位于当前建模系统之外的背景因素。外生变量之间是否相关的假设，决定模型是否包含潜在共同原因。
结构因果模型与合成控制法是同一种 SCM 吗？
不是。两者在部分文献中都简称 SCM。结构因果模型定义机制、干预和反事实；合成控制法为比较案例构造加权对照单位。它们的目标估计量、假设和算法都不同。