d-分离

d-分离（d 是“方向性”的英文缩写）是一种判断方法：在考虑其他变量后，因果图中的两个变量是否彼此独立。你可以把它想成查看一栋楼里的水管走向：看看信息或影响能否从一点流向另一点，以及哪些阀门（其他变量）会阻断流动。如果两个变量之间的每条路径都被作为条件的变量阻断，它们就是 d-分离的，也就是彼此独立。这里有个反直觉的地方：如果你把一个“碰撞点”作为条件，也就是一个有两个箭头指向它的变量，比如同时由咖啡和癌症引起的焦虑，反而会打开一条路径，让原本没有依赖关系的变量产生依赖。

试试这样：在分析中控制某个变量之前，先画出因果图，检查它是共同原因、中介变量，还是共同结果。

d-分离提供了一套系统的方法，让你直接从因果图的结构中读出条件独立关系。你需要检查两个变量之间所有可能的路径，沿路径查看时不考虑箭头方向，再判断每条路径是“活跃的”（能够传递信息）还是“被阻断的”。决定信息流动的路径结构有三种：链式结构，一个变量影响第二个，第二个再影响第三个；分叉结构，一个共同原因影响另外两个变量；碰撞结构，两个变量的箭头汇聚到同一个变量。如果你把中间变量作为条件，链式和分叉结构中的路径就会被阻断。碰撞结构恰好相反：它原本会阻断信息流动，但如果你把碰撞点或它的后代变量作为条件，反而会打开路径。

这就解释了为什么在咖啡与癌症的例子中，控制焦虑会引入偏差：焦虑是咖啡和癌症的共同结果，也就是碰撞点，把它作为条件会让咖啡和癌症之间产生虚假关联。类似地，在招聘中，“是否被录用”是资质和多样性的共同结果。如果你把它作为条件，即使资质和多样性原本没有实际关系，也可能看起来呈负相关。在医学中，控制某种症状，也就是多种疾病的共同结果，可能会让彼此独立的疾病看起来存在相关性。这种现象称为伯克森悖论。

d-分离的实用之处，在于帮助你决定统计模型中该纳入或排除哪些变量。研究因果效应时，你通常需要控制混杂因素（共同原因），以阻断后门路径；避免控制碰撞点，以免打开虚假路径；对于中介变量，则要根据你想研究的是总效应还是直接效应来慎重决定。d-分离给了你一份直观的检查清单：沿着干预与结果之间的每条路径查看，找出需要控制的混杂因素，以及必须保持不受控制的碰撞点。

Pearl（1988）将 d-分离形式化，为判断贝叶斯网络或因果有向无环图（DAG）所蕴含的所有条件独立关系，提供了完备的图形判据。这个判据指出：当且仅当 X 与 Y 之间的每条无向路径都被阻断时，变量 X 和 Y 才被变量集合 Z d-分离。如果一条路径包含一个属于 Z 的非碰撞点，或者包含一个后代变量均不在 Z 中的碰撞点，这条路径就被阻断。Pearl（1988）：用 d-分离从贝叶斯网络中读出条件独立关系，具有可靠性和完备性，也就是说，所有 d-分离关系都对应有效的独立关系，反之亦然 [1]。Verma 和 Pearl（1990）：证明了 d-分离可以完整刻画 DAG 中的独立关系，确立了图结构与概率独立性之间的联系 [2]。Geiger、Verma 和 Pearl（1990）：建立了 d-分离的公理基础，表明它为图模型构成了一套完备的独立关系推理规则 [3]。

它的历史可以追溯到更早的研究：Wright 的路径分析（1934）引入了图形因果模型，而 d-分离算法将这些见解与现代概率推理统一起来。在因果推断中，d-分离是后门准则、前门准则，以及从观测数据中识别因果效应的策略等关键概念的基础。

d-分离能揭示因果图结构中编码的独立关系，但无法仅凭数据发现因果结构，因为不同的图可能蕴含相同的 d-分离关系，这称为马尔可夫等价。这个判据还假设图能正确反映现实；如果图设定有误，就会得出错误的独立性结论。d-分离适用于条件独立关系，不能说明因果效应有多大：变量可能彼此独立，却仍会通过不同机制产生因果效应。有些统计依赖关系来自确定性关系，或来自标准 d-分离未能涵盖的选择偏差。此外，标准形式的 d-分离要求图中没有环，不过也存在适用于有环系统的扩展方法。