结构因果模型（SCM）

结构因果模型（SCM）就像一张现实世界的蓝图，展示不同因素如何通过因果关系相互联系。它把两部分结合起来：一张图说明什么导致什么，一组规则说明每个原因如何产生结果。比如，一个农作物产量模型可能用箭头把“降雨量”和“施肥量”指向“产量”，再用规则说明降雨量每增加一英寸，产量会增加多少。有了这张蓝图，你就能预测主动改变某个因素时会发生什么，比如增加施肥量。

试试这样：针对你正在面对的一个问题，列出其中的关键因素，再画出箭头，表示哪些因素会直接导致其他因素发生变化。

结构因果模型（SCM）通过两个关键部分，完整描述一个系统中的因果关系：一张图和一组函数。

第一部分是因果图，通常采用有向无环图（DAG）。图中的节点代表变量，带方向的箭头代表直接的因果联系，勾勒出系统中有哪些因果关系。

第二部分是结构函数。每个函数都明确规定，一个变量的值如何由它的直接原因（图中的父节点）以及未观测到的因素共同决定，为模型补充具体的数量关系。

比如，在营销中，你可以用结构因果模型研究客户流失。图中可以展示：价格影响满意度，而满意度又影响客户流失。配套的函数则量化这些关系的强弱。

在公共卫生领域，模型可以展示疫苗接种率如何影响感染率，让政策制定者在新的宣传活动推出之前，模拟它可能带来的影响。

结构因果模型最强大的地方，在于对干预进行建模。通过模拟某个变量的变化，比如提高价格，你可以观察这一变化在整个系统中带来的后续影响。这样，你就能超越简单的相关关系，开展可靠的“如果这样做，会怎样”的分析。

朱迪亚·珀尔将结构因果模型形式化，把图与结构方程结合起来，为因果推理提供了一套数学语言，并用它严格定义混杂、干预和反事实等概念。关键研究包括：

• 建立 do 演算：这是一套从数据中识别因果效应的规则，核心是区分观察（“看到了什么”）与干预（“主动做了什么”）。[1]（2009）
• 将结构因果模型作为因果发现算法的基础，这类算法旨在直接从观测数据中学习因果结构。[2]（2017）
• 发展可迁移性方法，用于评估在某个人群或情境中得到的因果研究结果，能否推广到另一个人群或情境。[3]（2016）

结构因果模型是否有效，取决于它所假定的因果图。漏掉一条联系、把箭头方向画反，或遗漏未测量的混杂因素，都可能让结果产生偏差。为结构函数选定正确的数学形式也是一大挑战，往往不得不依赖线性关系等简化假设，而这些假设可能并不符合现实。