单世界干预图

要知道一种药有没有起作用，你需要知道：如果没有服药，本来会发生什么。单世界干预图（SWIG）就是把其中一种“如果……会怎样”的情景画出来。比如，它可以画出患者确实服了药的世界，把结果标为“健康状况（服药）”。要判断药物的效果，你需要在概念上，将这个结果与另一张单世界干预图中的结果进行比较，后者描述的是患者没有服药的世界。

试试这样：想一想，如果你只改变一个决定，情景中的哪些部分会保持不变。

单世界干预图（SWIG）是一种图形工具，用来表示单个反事实情景。它从标准的因果图（如有向无环图，简称 DAG）出发，通过修改图形，展示在某个特定的假设干预下会发生什么。

创建单世界干预图时，你先选定要干预的变量，比如把“是否接受治疗”设为“是”。关键一步是把这个干预节点“拆开”。这样一来，可能影响治疗选择的背景因素，与从外部新设定的治疗取值，就在图上分开了，反事实推理的逻辑也更清楚。

拆分后，你要重新标注所有处于干预下游、受其影响的变量，也就是后代变量，表明它们现在代表潜在结果。例如，“结果”节点会变成“接受治疗时的结果”。

得到的图表示一个固定的世界。要判断因果效应，你必须在概念上比较两张不同单世界干预图中的结果。比如，要了解一项新的培训计划是否有效，你需要把一张图中“接受培训时的表现”这一潜在结果，与另一张图中“未接受培训时的表现”进行比较。

单世界干预图（SWIG）用于在结构因果模型（SCM）的形式化框架内，以图形表示反事实量。标准因果图（DAG）表达的是关于世界结构的假设，而单世界干预图则把某个特定干预下的反事实依赖关系直观地呈现出来。

• **Pearl（2009）**通过结构因果模型奠定了基础。在这类模型中，反事实被定义为修改后的模型所产生的结果，而修改后的模型代表假设中的世界。[1]
• **Richardson 与 Robins（2013）**正式提出单世界干预图，用这一图形工具将 Pearl 的框架与统计学中常用的潜在结果框架统一起来。他们展示了如何直接从一张单次干预图中读出反事实依赖关系。[2]
• **Hernán 与 Robins（2020）**在教材《因果推断：如果……会怎样》中广泛使用单世界干预图，讲解中介作用、随时间变化的混杂和选择偏倚等复杂概念，展示了它作为有力的教学与分析工具，在流行病学及其他领域的用途。[3]

单世界干预图的主要局限在于，它必须以正确设定的因果模型（DAG）为起点。如果底层的因果假设有误，得到的单世界干预图也会有误。此外，当情景涉及许多变量、干预或时间点时，图形可能变得拥挤，难以解读。它能帮助你把问题表达得更严谨，并确定需要测量什么，也就是进行识别；它本身并不是一种统计估计方法。