干预与 do 算子

要找出真正的原因，你必须问：如果强制做出改变，会发生什么？不能只观察已经发生的事。“do 算子”就是帮助你思考这种强制改变的概念工具，用来区分相关性和因果关系。比如，发现有健身房会员卡的人更健康，是观察到相关性；而预测如果给每个人免费办一张会员卡，公众健康会怎样变化，就是在模拟干预。

想一想：“我只是在观察这种关系，还是在模拟强制做出改变后会发生什么？”

do 算子提供了一套清晰的表达方式，帮你区分两类问题：“观察”和“行动”。“观察”是把某个观察结果作为条件，例如，看看那些恰好服用了某种药物的患者，治疗成功率是多少。这是一种被动观察，可能会误导你，因为其他因素也可能在起作用。

“行动”则涉及干预，也就是模拟让整个人群中的某个变量都被强制设为指定状态。在思考时，你把通常决定这个变量取值的原因“切断”，从而单独看清它对后续结果的真实影响。从数学上说，这相当于开展一次完美的随机对照试验。

假设某市政府发现，警察巡逻较多的社区犯罪率较低。这是巡逻让犯罪率下降了，还是那些一直比较安全的社区被安排了更多巡逻？干预要求我们设想：如果每个社区都安排高强度巡逻，不管它过去的情况如何，结果会怎样？这样才能单独看清巡逻对犯罪的实际因果影响。

同样的逻辑也适用于个人决策。你可能发现，身边早上五点起床的朋友都很成功。在设闹钟之前，因果推理会鼓励你先问：如果我强迫自己早上五点起床，会怎样？这样，你就能把早起本身可能带来的影响，与自律、上进心等潜在特质区分开来，因为这些特质可能同时促成早起和成功。

do 算子是 Judea Pearl 的结构因果模型（SCM）框架的基石。这个框架提供了一套形式化语言，用于表达因果效应，并根据数据估计这些效应。它支持一套关于“行动”的演算规则，让研究者判断能否仅凭观察数据估计某个因果量，这个判断过程称为“识别”。

• Pearl（2009）将干预 do(X=x) 正式定义为对因果图进行的一次“外科手术”：移除所有指向变量 X 的箭头，并将它的值固定为 x。这表示由外力设定 X，使其不再受通常那些原因的影响。[1]
• Spirtes、Glymour 和 Scheines（2000）确立了因果马尔可夫条件等基础原则，说明在对因果图作出特定假设的情况下，可以从非实验数据中识别某些干预的效应。[2]
• Bareinboim 和 Pearl（2012）提出了 z-可识别性。这一框架将观察数据与“替代实验”的数据结合起来，估计因果效应；所谓替代实验，是指对另一个变量进行干预，而不是对直接关注的那个变量进行干预。[3]
• Bareinboim 和 Pearl（2016）综合了多年来关于“数据融合”的研究，为可迁移性提供了形式化判定标准。可迁移性是指，将实验研究中的因果发现推广到另一个只有观察数据可用的人群的能力。[4]

do 算子能否发挥作用，完全取决于底层因果模型是否正确。如果假设的因果图有误，例如遗漏了一个关键的混杂变量，或错误地表示了某种关系，得出的因果效应估计就会有偏差。此外，并非所有因果效应都能从观察数据中“识别”出来；在许多情况下，do 演算会证明必须开展随机实验。最后，标准框架假设一个个体接受的处理不会影响另一个个体的结果，这称为“稳定单元处理值假设”。在存在网络效应的系统中，这个假设可能不成立。