1 概览与基本概念
因果发现（Causal Discovery）是指从观测数据（以及在某些情境下来自实验干预的信息）中，推断变量之间可能的因果结构与方向的研究。其核心关注点不仅是“变量是否相关”，还包括“在施加干预时，其他变量将如何响应”。在实际应用中，这类结构通常以因果图或其等价表示形式呈现，用于支撑后续的因果效应估计、策略评估或机制解释。
1.1 因果发现的目标与输出形式
1.1.1 因果关系方向与因果图结构
因果发现的典型产出是一种图式结构，例如有向图（在满足条件的情况下可用作因果方向的候选表达）、部分有向图或马尔可马夫等价类下的表示。方向信息是关键输出之一：它回答“哪个变量可能导致另一个变量”。当数据不足以唯一确定方向时，算法往往输出“可能的方向集合”或“在等价类内不可区分的边”。
1.1.2 因果效应与因果模型的区分
因果发现强调“结构学习”，即从数据中推断因果连接及其方向；而因果效应估计通常是基于已知或候选因果结构，进一步计算干预对某结局变量的影响大小。二者相关但不相同：结构不确定会直接影响效应估计的可信度。部分工作将因果发现与因果效应估计联动，例如在发现结构的同时评估不同模型下的效应稳定性。
1.2 统计与因果的关键差异
1.2.1 相关性、预测与因果的边界
相关性分析侧重于统计关联强度，预测任务强调对新数据的泛化能力；二者都可在不建立干预含义的前提下完成。因果发现则试图回答“因果方向与干预后果”。这意味着其评估标准不只看拟合或预测误差，还关注结构是否能支持干预情景下的推断。
1.2.2 反事实与干预视角的引入
因果发现常被视为迈向反事实推理的第一步：当模型提供了可能的因果链条或可干预结构后，人们才更容易表达“在假设情境下会发生什么”。在实践中，这种视角可由“干预数据如何改变分布”或“机制是否保持某些不变性”来近似表述。
1.3 常见假设与约束条件
因果发现很大程度上依赖于一组可操作的假设或约束。不同算法在假设选择上差异显著，但总体上都试图把“因果结构”与“可观测统计关系”之间建立桥梁，从而避免纯粹凭空猜测。
1.3.1 因果充分性与非充分性
因果充分性通常指在建模的变量集合之外不存在未观测的共同原因。若未充分，潜在混杂可能同时影响多个观测变量，从而造成方向误判或错误边连通。处理非充分性意味着引入潜在变量建模思路或使用对混杂更鲁棒的策略，并在可识别性方面承认信息不足时的不可区分性。
1.3.2 无环性、时间顺序与可交换性
许多主流方法以无环性（常见于有向无环图假设）为约束，认为变量间因果关系不会形成因果回路。对时间序列数据，还可利用时间顺序将方向限制在可行范围内。另一些设定则借助“可交换性”等原则来表达：在某些条件下不同样本之间统计规律应保持一致，从而为结构恢复提供额外信号。
1.3.3 排除变量与限制假设（避免“瞎因果”）
“瞎因果”指在缺乏足够约束或信息时，算法仍给出貌似合理的结构，但其解释能力并不可靠。为避免这种情况，需要明确变量范围、对可能的混杂与选择偏差保持警惕，并尽量在研究设计层面补充约束，例如通过实验干预、分层设计或稳健性检验来验证结构结论的稳定性。
2 因果模型表示
因果发现中，“模型表示”决定了算法如何表达结构与分布假设。常见表示包括因果图、结构方程模型与含潜在变量的扩展形式。表示越贴近机制，通常越能支持解释，但也越依赖假设的正确性。
2.1 因果图与图模型
2.1.1 有向图（DAG）及其含义
有向无环图常用来表达变量间的因果方向：节点代表变量，边代表可能的直接因果依赖。无环性使得因果链条可在图中展开并对应到某种生成机制。需要强调的是：在很多实际数据情形中，DAG往往是“候选结构”，而非直接可观测的真相。
2.1.2 马尔可夫等价类与部分有向图
当数据与分布信息不足以区分不同方向时，会出现马尔可马夫等价类：多个不同的有向图在统计上产生相同的条件独立关系。此时算法可输出部分有向图，保留在等价类内不可确定的边方向为“未定”，并对可确定的方向给出更明确的表达。该输出形式体现了“能证明到什么程度”的信息边界。
2.2 结构方程模型（SEM）
结构方程模型提供了一种从“机制函数 + 噪声扰动”构造观测变量的框架。它既能表达线性关系，也能容纳非线性映射，并为可识别性与可干预性提供理论落点。
2.2.1 线性与非线性结构
在线性SEM中，变量可通过线性函数组合父节点并叠加噪声；在非线性设定中，函数形式更灵活，能更贴近真实机制。非线性往往提升表达能力，但也可能带来更复杂的可识别性条件与更强的数据需求。
2.2.2 噪声假设与机制解释
SEM通常假设扰动项之间相互独立（或满足特定独立结构），并可通过噪声分布或噪声与机制的关系进一步约束因果方向。例如某些非线性或噪声相关假设允许利用“噪声结构不对称”来定向边。机制解释层面，SEM将因果结构具体化为可计算的生成过程，从而为解释与干预推断提供基础。
2.3 潜在变量与混杂
现实世界中，观测变量集合常常不完整，未观测共同原因会带来混杂。潜在变量建模旨在刻画这些隐藏因素，并理解由此导致的不可识别性。
2.3.1 潜在混杂的建模思路
常见做法是在模型中显式引入潜在节点，或者在算法层面用特定的约束处理可能的混杂影响。潜在混杂不仅影响相关性，也会改变条件独立关系的结构，从而影响因果方向判断。有效的方法通常需要额外信息，例如时间先后、外生干预或更丰富的观测变量集合。
2.3.2 含隐藏节点的可识别性问题
当存在隐藏节点且其连接方式未知时，因果方向与边连通性往往无法被唯一恢复。可识别性分析会指出在给定观测条件下哪些结构元素可被确定，哪些只能给出部分结论。因此，在含混杂场景下，报告“可确定与不可确定的边界”尤为重要。
2.4 干预与可干预性（Intervention）
干预是因果发现区别于纯统计学习的重要抓手。可干预性刻画了变量在外力作用下如何改变其生成机制，从而提供比观察数据更强的信息。
2.4.1 干预符号与实验/观测差异
在形式化表述中，干预常被理解为对某些变量的生成机制进行替换，例如固定其取值分布或改变其父节点依赖。与仅观察数据相比，干预会改变变量的统计关联模式，使得因果方向更容易被辨识。实验数据在结构发现中的价值，往往体现在干预集的选择与覆盖面。
2.4.2 干预数据的结构化利用
将干预信息纳入模型，可用于区分在纯观测条件下的等价结构。实践上，算法可能利用“不同环境/不同干预方式下的条件独立变化”来定位因果边。干预不一定要完全覆盖全部节点；关键在于干预带来的分布变化是否对目标结构提供足够辨别力。
3 方法学分类
因果发现方法可按信息利用方式与优化目标划分。不同类别的算法在假设需求、计算成本、输出形式与适配数据类型（如非线性、时间序列、混杂存在与否）上各有侧重。
3.1 约束型因果发现（Constraint-based）
3.1.1 基于条件独立性的检验
约束型方法的思想是：若两变量在给定第三组变量后统计上条件独立，则它们在某些因果结构下不应存在特定连接或路径。算法通过一系列条件独立检验逐步收缩或扩展候选图结构，并在最后应用图规则确定可定向的边。
3.1.2 典型算法与规则推断
这类方法常包含“邻接关系发现”“受保护结构识别”“规则传播定向”等步骤。随着条件独立检验结果变化，图的形状会被更新。规则推断利用图理论约束把局部结论扩展为全局结构表达，并输出部分有向图以反映不确定性。
3.1.3 置信度与多重检验策略
条件独立检验往往伴随统计波动与多重比较问题。实践中需要使用合适的显著性校正策略或置信度评估方法，避免因为检验次数过多导致系统性偏差。稳定性分析也常用于判断边是否能在采样变化下保持。
3.2 评分型因果发现（Score-based）
3.2.1 似然、后验与评分函数
评分型方法将每个候选结构（通常是图的一个表示）映射为一个分数，分数可基于数据似然、后验概率或基于信息准则的评价。分数越高代表结构与数据越匹配。通过最大化（或采样）分数，算法选择“最优或近似最优”的因果图。
3.2.2 搜索策略（如局部搜索与启发式）
候选结构空间巨大，评分型方法依赖高效搜索策略，如局部算子（加边、删边、改方向）与启发式引导。搜索过程可能陷入局部最优，因此常结合多次初始化、随机重启或更稳健的采样机制以增强覆盖度。
3.2.3 过拟合控制与正则化
高维或小样本场景中，评分型方法容易拟合噪声。正则化项、先验假设或复杂度惩罚可缓解过拟合，同时提高对结构不确定性的刻画质量。评估时需要区分训练拟合度与对因果结构相关的泛化表现。
3.3 基于因果表示学习的方法
3.3.1 表示学习与结构约束结合
近年来的研究常将因果发现与表示学习结合：先学习变量的表示（或隐变量结构），再在表示空间施加因果约束，形成端到端或两阶段框架。此类方法希望通过更强的函数表达能力捕捉复杂机制，同时通过结构约束避免完全黑箱化。
3.3.2 不确定度估计与稳定性
表示学习方法往往对训练细节较敏感，因此不确定度估计、分布式评估或跨随机种子的一致性检查更常被纳入流程。通过对多个模型输出的聚合，可以对边的可信度做更合理的表达。
3.3.3 小样本与高维场景的适配
当变量数量较多，传统因果发现可能面临条件独立检验的高方差或评分搜索的计算压力。表示学习方法通过参数共享、结构先验或稀疏化策略，试图在高维环境中保持可训练性，但同样需要更严格的验证以防止“看似合理”的偶然结构。
3.4 基于可识别性理论的定向方法
3.4.1 可识别性条件的讨论
可识别性理论研究：在给定假设与数据类型下，真实因果结构是否能被唯一或近似唯一地恢复。可识别性条件可能涉及噪声独立性、函数形式限制、时间顺序、干预分布变化等。该理论为定向边提供更坚实的依据，而不是仅依赖经验规则。
3.4.2 等价类内外的方向推断
即便完全恢复整个图不可行，某些边在等价类之间可能是可分辨的。定向方法常围绕“哪些信息能打破等价性”展开：例如额外变量、特定干预集或特定函数/噪声结构能让部分方向从“未定”变为“可定”。输出时通常强调在可识别性框架下得到的方向范围。
4 理论基础与评估
理论部分关注“在什么条件下能学到”“学到的结果是否随样本增加而趋于正确”以及“在偏离假设时表现如何”。评估部分则关注结构质量、效应质量、计算成本与可重复性。
4.1 可识别性与一致性
4.1.1 在何种假设下可识别
可识别性依赖假设组合：结构是否无环、噪声是否满足独立或特定关系、是否存在潜在变量、是否有时间顺序或干预信息、以及变量集合是否充分。不同算法对应不同可识别性结论，因此在比较方法时必须关注它们的假设前提是否一致。
4.1.2 一致性与样本量要求
一致性讨论的是：当样本量趋于无穷大时，估计结果能否以概率收敛到真结构（或等价类表示）。样本量需求受到统计检验精度、模型复杂度与信噪比影响。实践中往往需要用学习曲线或子采样评估来判断样本是否“够用”。
4.2 稳健性与假设偏移
4.2.1 噪声分布变化的影响
很多识别与检验结果对噪声分布或噪声独立性有隐含依赖。当噪声在不同环境中变化，或噪声与机制存在耦合时，结构恢复可能产生偏差。通过环境划分、稳健检验或使用更一般的噪声假设，可以提升结论的可信度。
4.2.2 模型错配与误差传播
当真实机制与模型族不匹配（例如真实关系强非线性但模型选择过于简化），会导致结构学习偏移。更进一步的因果链条常会把结构错误放大到效应估计环节，因此稳健性评估应贯穿发现与后续推断，而不是只看结构指标。
4.3 评估指标与基准测试
4.3.1 结构准确率与边方向指标
常见指标包括边是否存在的准确性，以及方向是否正确的比例或加权得分。针对输出部分有向图，指标往往需要处理“未定边”的评价方式。评估还可分解为局部指标与全局一致性指标，以更细致理解错误模式。
4.3.2 因果效应评估与反事实指标
结构指标并不自动等价于效应质量。若目标是干预后果，需要评估因果效应估计是否接近真实值，或在反事实任务上是否能得到更可信的区分。某些基准会直接提供干预真值，帮助检验“结构正确性到效应正确性”的传递能力。
4.3.3 计算复杂度与可扩展性
算法在变量规模、干预环境数、搜索空间大小方面的复杂度差异显著。评估应纳入运行时间、显存/内存消耗以及在不同数据规模下的表现退化情况，以避免在小规模验证上“看起来很好”但无法落地。
4.4 可重复性与实践报告规范
4.4.1 数据与预处理记录
可重复性要求明确记录缺失处理、异常处理、变量变换、离散化策略以及任何可能影响因果结构的步骤。预处理的选择不仅影响统计特征，也可能改变条件独立检验或评分函数的行为。
4.4.2 超参数与随机种子管理
因果发现算法常包含显著性阈值、正则化强度、搜索步数或网络训练参数等。报告应包含超参数范围或最终设置，并对随机种子与训练/搜索的随机性做说明，便于他人复现实验波动。
4.4.3 结果不确定度呈现（“别只报一个点估计”）
除给出点估计外，建议以置信区间、bootstrap区间、重复运行的方差或边可信度分布来呈现不确定性。对部分有向图而言，输出的不确定性也应作为结果的一部分被解释，而非仅在附录中隐含。
5 实践流程与常见坑
该部分总结从数据进入模型到输出结构与应用建议的常见流程，并强调容易导致误判的环节。
5.1 数据准备与特征工程
5.1.1 缺失值与异常值处理
缺失会破坏统计估计稳定性，异常值可能造成条件独立检验或评分函数的偏移。常见做法包括基于机制的缺失处理、稳健估计或异常裁剪/重标定，并在报告中说明策略与理由。
5.1.2 变量离散化与连续变量建模
某些条件独立检验适用于离散变量，而连续变量往往需要相应的分布假设或非参数检验。离散化会损失信息并引入边界效应，因此通常要权衡分箱数量与可解释性，并通过敏感性分析验证结果是否依赖离散化方式。
5.2 处理混杂与偏差来源
5.2.1 混杂检测的思路
混杂往往表现为在控制某组变量后仍存在异常关联结构或方向不稳定。实践中可通过候选混杂变量筛查、分层比较、图模型残差诊断或与领域知识结合来识别高风险混杂来源，并在必要时调整变量集合或引入潜在变量处理策略。
5.2.2 选择偏差与采样机制
选择偏差来自样本并非独立于“结局或机制”。当采样过程与因果结构相关时，观测到的条件独立关系可能被扭曲。处理上通常需要明确采样机制，必要时采用分层建模或在图中显式表示选择节点的影响（具体做法依任务而定）。
5.3 模型选择与敏感性分析
5.3.1 假设驱动的模型对比
因果发现高度依赖假设，实践中应进行模型对比：例如在不同假设集（无环、噪声独立形式、变量充分性程度）下运行并比较输出差异。若结论对假设高度敏感，应降低“结构正确”的自信，转而强调“哪些结论是稳健的”。
5.3.2 参数敏感性与假设敏感性
除了超参数，还要做假设敏感性分析。例如换不同显著性阈值、不同正则强度、不同条件集策略，观察边方向是否稳定。稳定的结构往往更接近可识别信息，而不稳定的边更可能是统计噪声或模型偏差的体现。
5.4 从发现到应用的衔接
5.4.1 生成因果图到干预建议
因果图可用于生成干预候选：当某目标变量的上游节点可识别为影响来源时，干预这些节点可能改变目标响应。需要强调，因果发现提供的是“结构层面的候选依据”，干预可行性还取决于现实约束，如资源、伦理与可操作变量类型。
5.4.2 与因果效应估计的联动
在应用阶段，往往需要把图结构映射到效应估计方法，例如按可调节集合（如前调节点）构造估计策略，或者在存在不确定结构时对多候选模型进行效应汇总。联合评估的目标是同时控制结构误差与效应估计误差。
5.5 梗文化与误区提醒（轻度）
5.5.1 “相关=因果？”与实验级别的自检清单
一个常见误区是把相关性当作因果。自检时可问：结论是否在条件独立检验下仍成立？是否能明确干预含义？是否需要实验或准实验设计来验证？如果答案是否定的，结构发现更应被视为“假设生成器”，而不是最终裁决者。
5.5.2 防止“因果幻觉”的报告习惯
为减少“因果幻觉”，报告应避免把不确定边当作确定因果。建议写清楚：使用了哪些假设、输出的是等价类还是唯一图、方向不确定的原因是什么、以及哪些结果已通过敏感性分析验证。
6 领域应用概览（非敏感方向）
该部分概述不同领域中因果发现与因果建模常见的使用方式，并避免对敏感议题作争议性延伸。
6.1 医疗与流行病相关的因果建模思路
6.1.1 治疗路径与风险因素分析
在临床数据中，因果结构可用于理解治疗决策与结局之间的潜在路径。通过识别可能的直接依赖或关键中介，可帮助形成更有条理的风险因素假设，并为后续效应评估提供结构化线索。
6.1.2 合成对照与因果图辅助
当直接实验难以实施时，研究者常结合因果图与准实验思想，构建更接近因果对照的估计框架。因果图可用于明确需要控制的变量或可能的中介关系，从而减少“只做相关比较”的不足。
6.2 工业与系统科学
6.2.1 过程变量的因果定位
在工业系统中，过程变量的变化可能导致设备性能波动或质量问题。因果发现可用于定位可能的关键因素及其方向，为改进控制提供更结构化的依据，而不是仅依赖相关系数排行。
6.2.2 故障传播与根因分析框架
当故障表现为多级传播，因果图能把“根因—中间环节—表征现象”联系起来。借助结构发现得到的候选链条，再结合工程约束与进一步验证，可形成更清晰的根因排查路径。
6.3 金融与决策支持的因果视角
6.3.1 干预与策略评估的思路
金融决策常涉及策略干预，例如改变交易规则或风控阈值。因果发现可作为解释性建模步骤，帮助区分“策略带来的机制变化”与“市场噪声带来的相关性”，进而支持更稳健的策略评估。
6.3.2 风险因子与结构化解释
通过学习结构，研究者可能把风险因子组织为因果链或中介框架，从而提供比单纯特征重要性更可解释的表达。结构化结果也更便于和规则引擎或政策约束进行联动。
6.4 社会科学的统计因果与机制讨论
6.4.1 研究设计与假设显式化
社会科学研究中，因果发现强调把机制假设以图结构或可干预表述方式显式化，有助于提升研究的可讨论性。相较于口头推断，图结构能更清晰地呈现“哪些变量可能直接导致哪些变量”。
6.4.2 观测限制下的稳健推断
在缺乏强干预条件时，社会科学常强调稳健性与边界表达：即在观测数据支持的条件下给出哪些结论，在证据不足处明确不确定性。因果发现输出的等价类或部分方向表达，往往更贴合这种研究现实。
6.5 计算机科学与算法研究
6.5.1 在线学习中的因果发现
在线场景下，数据流持续产生，结构可能随时间变化或环境变化而更新。因果发现可用于在更新过程中维持结构一致性或识别机制漂移，从而提升系统的可解释控制能力。
6.5.2 多源数据融合与因果一致性
当数据来自多个来源或多个采样条件，融合前需要考虑一致性：同一因果机制在不同环境下是否保持某些不变结构。利用因果发现思想，可以把多源数据的差异更系统地归因到机制变化或采样差异。
7 相关术语与延伸阅读
7.1 因果推断与因果效应估计的关系
因果发现偏向“结构与方向”的学习，而因果推断与因果效应估计进一步处理“在特定干预下结局会怎样变化”。二者经常串联：结构提供变量组织方式，效应估计提供干预强度或结果变化的度量。
7.2 因果推理的实验设计元素
实验设计元素包括可干预变量的选择、干预强度与覆盖范围、对照或环境划分方式，以及随机化或准随机化策略。实验信息越系统，因果发现越容易打破等价性并提升方向可识别性。
7.3 参考算法与经典文献脉络
因果发现领域形成了一系列经典方法谱系，例如基于条件独立的约束型流程、基于评分的结构搜索框架，以及结合可识别性理论的定向策略。延伸阅读时通常需要同时理解其假设条件与输出表示差异。
7.4 开源工具与复现实验资源
开源工具与复现实验资源能帮助研究者快速比较算法，并在统一数据处理与评价指标下进行对照。选择工具时应关注其对变量类型、混杂处理能力、可干预信息支持以及不确定度输出能力。