文章
因果图（DAG）
浏览“因果图（DAG）”中的 13 篇免费思维模型文章。
此分类中的文章
碰撞偏倚与选择偏倚
了解为什么以共同结果为筛选条件，会制造虚假相关，让你对现实的认识出现偏差。
阅读文章共同原因（混杂因素）
了解隐藏的第三个因素如何让两件本无关联的事看起来存在联系。
阅读文章有向无环图的常见错误
绘制和解读因果图时，有些本可避免的错误会让结论产生偏倚。
阅读文章相关性与因果关系
两件事一起发生，并不代表其中一件导致了另一件——分清这一点，能帮你避免被数据中的巧合误导。
阅读文章DAG与回归模型
将有向无环图（DAG）作为蓝图，构建更准确、偏差更少的统计回归模型。
阅读文章反馈回路与循环
学会识别并画出让系统变化加剧或趋于稳定的因果链，从而更好地预测系统行为并采取干预措施。
阅读文章M 型偏倚
一种隐蔽的偏倚：你误将某个看似混杂变量、实际却是碰撞变量的变量纳入控制，从而打开了虚假的因果路径。
阅读文章测量误差
当测量数据与现实不一致时，因果图中的测量误差可能掩盖、制造，甚至颠倒变量之间的关系。
阅读文章有向无环图中的预测与因果关系
有向无环图可以根据数据中的规律预测结果，但要证明一件事会导致另一件事，还需要对变量之间的真实关系作出额外假设。
阅读文章结构因果模型（SCM）
一种强大的框架，将图示和简单规则结合起来，用于表示因果关系，并预测干预的效果。
阅读文章因果假设检验
检验因果模型的假设是否在观测数据中成立的方法，包括条件独立性检验和证伪检查。
阅读文章因果充分性假设
这一关键假设认为，你已经测量了所有同时影响处理和结果的共同原因，并将它们纳入分析。
阅读文章正值性假设
要进行有效的因果比较，每个人都必须曾有一定机会接受所比较的每一种治疗方案。
阅读文章