反事实与有向无环图

如果一座城市禁止销售冰淇淋，溺水率很可能不会改变。真正的原因是一个隐藏因素：炎热的天气既让人们买冰淇淋，也让人们去游泳。

这就是一个反事实问题：设想另一种现实，问一句“如果……会怎样”。我们可以用**有向无环图（DAG）**来分析这类问题，它是一种简单直观的因果关系图。在这张图中，“炎热天气”会分别指向“冰淇淋销量”和“溺水人数”，让你看出冰淇淋与溺水之间并没有直接的因果关系。

想一想：哪种隐藏的原因，可能把两件看似相关的事联系在一起？

有向无环图，简称 DAG，是一种帮你明确表达因果假设的工具。“有向”表示箭头从原因指向结果；“无环”表示沿着箭头走，不会绕回原点，也就是说，结果不能成为它自身的原因。

这些图让我们能系统地推理反事实问题。当我们问“如果禁止销售冰淇淋，会怎样”时，就是在模拟一次干预。在 DAG 上，这意味着擦掉所有指向“冰淇淋销量”的箭头。接着你会看到，从“炎热天气”到“溺水人数”的路径完全不受影响，这说明禁令不会奏效。

这种方法很有用，因为它能帮你识别混杂变量，也就是像“炎热天气”这样隐藏的共同原因。例如，一家公司可能发现，使用新功能的用户也恰好是最有价值的客户。DAG 可以帮助公司判断：是这个功能创造了价值，还是有价值的客户只是最先采用了它。这里的反事实问题是：如果把这个功能推给所有人，会怎样？

在医学中，DAG 对研究设计至关重要。要测试一种治疗头痛的新药，研究人员可以用 DAG 画出不同的因果路径：药物的化学作用、患者的预期（安慰剂效应），以及其他因素。把这些关系理清楚，有助于研究人员排除其他影响的干扰，分离出药物的真实效果，从而回答这个反事实问题：“如果这位患者没有接受有效成分，会发生什么？”

计算机科学家 Judea Pearl 主要通过他提出的 do 演算框架，建立了用图进行因果推理的形式逻辑。这套体系提供了一组数学规则，用来判断何时以及如何从数据中估计因果效应，即使在非实验条件下也能使用。研究人员可以用数学方式表示“采取某个行动”（例如分配一种治疗），记作 do(X=x)，并观察它对系统的影响，从而模拟干预。

• Pearl 的“因果阶梯”把反事实推理放在因果推断的最高层级，高于单纯观察关联或测试干预，因为反事实推理需要为一个并不存在的世界建立模型。[1, 2]
• 这个框架中的一个核心工具是后门准则。它是一条应用于 DAG 的图形规则，用来找出一组足以排除混杂影响的变量。研究人员必须在统计分析中控制这些变量，才能分离出处理与结果之间的真实因果效应。[1]
• 流行病学等领域的研究人员会用 DAG 理清复杂的因果问题。这类问题很难通过随机试验研究，比如某种饮食的长期影响，或一项公共卫生政策的影响。[3]

DAG 最主要的局限在于，它呈现的是假设的因果关系，而不是已经发现的因果关系。如果底层模型有误，比如漏了一条箭头，或箭头方向画反了，得出的结论也会出错。当系统中有许多相互关联的变量时，DAG 也会变得非常复杂，难以处理。最后，DAG 是用来检验已有因果结构假设的工具；它不能仅凭数据发现这种结构。