前门准则

即使隐藏因素同时影响两个变量，只要有一个合适的、可观测的中介变量满足前门条件，前门准则在某些情况下仍能识别因果效应。经典例子是证明吸烟会导致癌症：先证明吸烟会造成焦油沉积，再证明焦油沉积会导致癌症，即使隐藏的遗传因素可能同时影响吸烟和癌症。 试试这样：当你需要证明因果关系，却无法测量所有隐藏的影响因素时，找找有没有一个能测量的中间环节，把原因和结果连接起来。

前门准则解决的是因果推断中的一个基本问题：当重要变量没有被测量时，我们该如何估计因果效应？它的关键思路是，有时可以把一个效应拆成两个较小的效应，间接估计整体效应，而这两个效应都能通过可观测数据来估计。

使用前门准则需要满足三个条件。第一，必须有一个变量，位于原因到结果的所有有向路径上。有向路径就是从一个变量通向另一个变量的一连串因果联系。这个变量是完全中介，意味着原因只能通过它影响结果。第二，原因与这个中介变量之间不能存在未测量的混杂因素，也就是不能有隐藏变量同时影响原因和中介变量。第三，从中介变量到结果的所有隐藏联系，都必须能被最初的原因变量阻断。

满足这些条件后，估计过程分为两步：先估计干预对中介变量的效应，再控制干预变量，估计中介变量对结果的效应。然后，用前门调整公式把这两个估计结果合起来。这个数学规则会遍历中介变量所有可能的取值，通过求和、取平均来合并两个效应。这种方法之所以有效，是因为第一段关系不受隐藏因素的干扰，也就是满足第二个条件；而第二段关系中的混杂，可以通过控制最初的干预变量来消除，也就是满足第三个条件。混杂指的是第三个变量同时影响原因和结果，从而扭曲两者关系的情况。

在商业场景中，这种方法可能有助于评估客服培训项目。你可以先跟踪培训是否提高了客服人员的产品知识得分，再跟踪更高的知识得分是否与更好的客户满意度评分相关，即使你无法测量可能同时影响谁参加培训、以及他们表现如何的先天能力或积极性。在教育政策中，你也可以跟踪学生参与度、概念理解程度等中间指标，评估课程调整是否改善了学习成果，即使家庭背景等变量仍未被观测到。这种方法的价值恰恰在于，它能应对现实中的数据局限，而不要求你完美测量所有相关变量。

Pearl 在发展 do 演算的过程中，将前门准则正式化（2000 年，第二版于 2009 年出版）。它提供了一套图形判据，用来在存在未观测混杂因素时识别因果效应 [1]。满足前门准则时，可以用前门调整公式估计因果效应：P(Y|do(X)) = Σ_z P(z|X) ⋅ Σ_{x'} P(Y|z, x') P(x') [2]。

• Pearl（2009）：当存在完全中介，且满足特定的因果图条件时，前门准则能够识别因果效应，即使存在原本会使因果效应无法识别的未观测混杂因素 [1]。
• Pearl、Glymour 和 Jewell（2016）：前门公式把两个可识别的量连接起来，也就是干预对中介变量的效应，以及中介变量对结果的效应，从而还原出无法直接识别的整体效应 [2]。
• Bellemare、Bloem 和 Wexler（2020）：在无法开展随机对照试验、且关键混杂因素未被测量的经济学和社会科学研究中，前门准则有重要应用 [3]。

前门准则依赖较强的假设，而这些假设在实践中未必总能成立。第一，它要求完全中介，也就是干预到结果之间不能存在直接路径，这往往不太现实。第二，它要求中介变量到结果的所有后门路径都被干预变量阻断。如果还有其他混杂因素同时影响中介变量和结果，这个条件就可能不成立。第三，当中介变量与干预或结果的关联较弱时，这种方法的统计效率可能较低，因为两个估计效应相乘时，估计误差会叠加。第四，这一准则要求你确切知道正确的因果结构；因果箭头方向设错，或遗漏相关变量，都可能导致有偏估计。最后，当存在多个中介变量时，标准前门公式不能直接套用，需要更复杂的扩展方法。