有向无环图与潜在结果

有向无环图和潜在结果是理解因果关系的两种重要框架。潜在结果方法会问“如果当时换一种情况，会怎样”，把实际发生的结果（比如投放广告后的销量）与没有投放广告时本会出现的结果作比较。有向无环图用图来呈现所有因素及其因果联系。这张图很关键，因为它能告诉你需要考虑哪些因素（比如竞争对手的行动），才能用潜在结果框架进行公平的“如果当时……”比较。

试试这样：遇到因果问题时，先试着画出一张图，标出其中各种影响因素。

理解因果关系的两种视角

你可以把有向无环图和潜在结果看作两种不同但互补的工具，帮助你完成同一件事：理清因果关系。它们相互配合，帮助你把因果问题想清楚。

设想“如果当时……”：潜在结果

潜在结果框架也叫鲁宾因果模型，它把反事实思考变成了一套严谨的方法。对于任何一个研究对象（一个人、一家公司或一座城市），这个框架都设定了两种潜在状态：接受某种“处理”（比如看到广告）时的结果，以及没有接受这种处理时的结果。因果效应就是这两种状态下结果的差异。因果推断的根本难题在于：对于任何一个给定的研究对象，我们只能观察到其中一种结果。

因果关系图：有向无环图（DAG）

有向无环图是一种可视化工具，用来呈现你对世界如何运作的假设。每个“节点”代表一个变量（比如“广告活动”或“销量”），每条有方向的箭头代表一种因果影响。之所以叫“无环”，是因为变量不能沿着一条循环路径反过来影响自身。这种图的强大之处在于，它要求你明确问题的结构，帮助你发现可能误导你的隐蔽路径和混杂变量。

两种框架如何配合

要回答潜在结果框架提出的问题，有向无环图能提供必要的路线图。例如，你想研究辅导项目是否能提高考试成绩。有向无环图可以帮你发现，家长的积极性可能既影响孩子是否报名参加辅导，也影响孩子的考试成绩。这就是一个混杂因素。在图中发现这一点后，你就知道必须对它进行调整，才能公平比较参加辅导和不参加辅导这两种情况下的潜在结果。

潜在结果模型（奈曼—鲁宾模型）与图模型（珀尔模型）最初各自独立发展，如今被认为在数学上是相容的。实际研究中，人们会同时使用两者：用潜在结果框架定义“如果当时……”的问题，再用有向无环图描绘借助数据回答这个问题所需的假设。

• Pearl（2009）：提出了一套正式的图模型框架，用有向无环图表示因果假设，并提供了一套规则（“do 演算”），用于判断能否从数据中识别因果效应。[1]
• Rubin（1974）：将因果效应定义为同一个体在处理条件和对照条件下潜在结果的差异，从而把因果问题表述为缺失数据问题。[2]
• Hernán 与 Robins（2020）：展示了有向无环图如何提供清晰的可视化语言，表达估计潜在结果框架所定义的平均因果效应时所需的独立性假设。[3]

这两种框架都无法保证万无一失。有向无环图是否有效，取决于一些无法检验的因果结构假设；图画错了，结论也会出错。当处理本身很复杂、同一种处理有多个版本，或存在干扰时，潜在结果模型可能会变得难以驾驭。这里的干扰，是指一个研究对象接受的处理影响了另一个研究对象的结果，也就是溢出效应。