后门准则

当你想弄清一件事是否会导致另一件事时，后门准则就像一张清单，帮你决定该控制哪些因素。它告诉你，要阻断那些制造虚假相关的“隐蔽路径”。比如，夏天冰淇淋销量和溺水率都会上升，并不是因为冰淇淋导致溺水，而是炎热天气让两者都增加了。后门准则会找出哪些变量在原因和结果之间形成了后门路径，再通过控制这些变量来阻断路径，同时保留真正的因果路径。它能防止你误把会引入新偏差的变量，或位于你想测量的因果路径上的变量，当作控制变量。使用时，先画出你关注的原因、结果，以及可能连接它们的其他因素，再有选择地阻断混杂路径，保留主要的因果通路。

试试这样：当你听到一个出人意料的相关关系时，问问自己，是否有某个隐藏因素在同时影响两者。

后门准则如何起作用

后门准则提供了一套系统选择控制变量的方法。你先画一张因果图：用圆圈表示变量，用箭头表示直接的因果联系。“后门路径”是从原因通向结果的一条间接路径，而且起点处的箭头指向原因，比如某个共同的上游因素同时影响原因和结果。后门准则要求你找到一组变量，通过控制它们，阻断所有后门路径，同时不打开新的路径，也不阻断你想测量的因果路径。

三项要求

第一，你控制的变量不能是处理变量的后代变量，也就是不能是受处理直接或间接影响的变量。控制中介变量，会阻断你正在尝试测量的效应。第二，你选出的控制变量必须阻断处理与结果之间的所有后门路径。第三，控制这些变量时，不能通过碰撞变量制造新的虚假关联。碰撞变量是有两个箭头指向它的变量，对它进行控制会引入偏差。

日常应用

在医学研究中，要研究喝咖啡是否会导致心脏病，研究者必须控制吸烟这个因素，因为喝咖啡的人更有可能吸烟；但不能控制胆固醇水平，因为咖啡可能直接影响它。在教育中，评估一种教学方法时，需要调整学生背景因素；但如果教学方法本身会改变考试焦虑程度，就不能控制考试焦虑。在商业中，评估营销活动是否能提高销量，需要控制季节性因素；但如果活动直接提高了顾客对产品的认知，就不能控制顾客认知这个变量。

为什么它很重要

没有后门准则，研究者可能控制太多变量，造成偏差；也可能控制太少变量，留下混杂影响。这套框架让控制变量的选择从凭经验判断变成遵循科学方法：你不必猜哪些控制变量是“好的”，而是可以按严谨的程序来选择。它还揭示了一些反直觉的情况：控制某个处理前的变量，反而会让估计更差。这些就是所谓的“不良控制变量”，而传统统计教材却错误地建议对它们进行调整。

后门准则以形式化的方式说明了，在什么条件下，可以通过对适当变量进行条件化，从观测数据中识别因果效应。条件化可以理解为在给定这些变量取值的条件下进行分析。在图形因果模型中，后门准则为选择能得到无偏因果效应估计的调整变量集提供了充分条件。

• Pearl（1995）：提出后门准则，用因果图解决混杂问题，并确立了在什么条件下，通过调整协变量，可以从非实验数据中得到有效的因果效应估计 [1]。
• Cinelli、Forney 和 Pearl（2020）：通过大量示例，展示了后门准则如何区分“良好控制变量”（减少偏差）和“不良控制变量”（放大偏差或引入新偏差）。研究揭示，像“控制所有处理前变量”这样的传统经验法则，可能造成严重误导 [2]。
• Shpitser、VanderWeele 和 Robins（2011）：将后门准则扩展到包含多个处理变量和结果变量的情境，为包括中介分析在内的复杂因果结构提出了广义调整准则 [3]。

后门准则假设你能正确画出因果图，包括知道哪些箭头存在，以及箭头的方向。但在实际研究中，这些往往并不确定。它还要求你观测到后门路径上的所有混杂变量；如果某个重要的混杂变量没有被测量，后门准则也无法挽救你的估计。后门准则不处理统计效率问题：某个变量可能既不增加也不减少偏差，却让估计的精确程度大幅下降。它还假设个体之间没有干扰，也就是一个人接受的处理不会影响另一个人的结果，并且各变量不存在测量误差。如果真实的因果结构包含反馈回路，或混杂因素会随时间变化，就需要扩展基本的后门准则。最后，后门准则会告诉你可以调整哪些变量，却不会告诉你，在有限样本中，哪种调整方法——匹配、回归或加权——效果最好。