1 基本概念
1.1 定义与核心思想
因果图是一类用图形方式表示变量之间因果关系的工具。它通常以节点表示变量，以有向边表示“一个变量对另一个变量的因果影响”。与单纯记录变量共现不同，因果图强调的是方向性和结构性，用于把研究者对系统运行机制的假设明确化。
其核心思想在于：将抽象的因果判断转化为可视化、可分析的结构。借助这种结构，研究者可以更容易识别潜在混杂、理解中介路径，并判断某一干预可能带来的结果变化。
1.2 节点、边与方向
在因果图中，节点一般对应可观测变量，也可以表示潜在变量、处理变量、结果变量等。边通常用箭头表示，箭头从原因指向结果，体现因果方向。
方向的含义并不只是先后顺序，而是结构上的依赖关系。例如，若“睡眠不足”指向“注意力下降”，表示前者被视为后者的原因之一。若图中不存在箭头，则通常表示没有被建模的直接因果联系，或该关系尚未确定。
1.3 因果关系与相关关系的区别
相关关系描述的是变量之间共同变化的现象，而因果关系强调的是一方变化会不会引起另一方变化。二者并不等同：两个变量可能高度相关，却并无直接因果联系；也可能存在因果联系，但由于噪声、测量误差或样本限制，表面相关并不明显。
因果图的价值之一，就是帮助区分“看起来有关”和“真正导致”的差别。它提醒研究者不能仅凭相关系数或共现模式下结论，而需要结合结构假设和干预逻辑进行判断。
1.4 常见符号约定
因果图常见的符号包括圆点或方框表示变量，箭头表示因果方向。某些图会使用双向箭头表示潜在共同原因，或用虚线、空心箭头等方式表示不确定、弱假设或待验证关系。
不同学派和软件在符号上略有差异，但通常都会尽量保持统一语义，即“节点代表什么、箭头代表什么、是否允许双向依赖”。理解具体符号前，先确认作者采用的定义，是阅读因果图的基本前提。
2 历史与发展
2.1 因果推断思想的早期来源
因果推断的思想可追溯到哲学、统计学与实验科学的早期发展。人们很早就意识到，单靠观察现象并不能完整解释原因与结果之间的关系，因而逐步发展出实验对照、控制变量和干预比较等方法。
在统计学形成过程中，因果问题一直是重要主题。如何从有限数据中判断一个因素是否真正起作用，推动了后续关于实验设计、回归分析和推断理论的发展。
2.2 图论在科学建模中的引入
图论原本是数学中的结构工具，后来逐渐进入科学建模。研究者发现，复杂系统中变量之间的联系往往比线性公式更适合用图结构表达，尤其是在存在多个中间环节、反馈路径或层级关系时。
图论的引入，使因果关系不再只以文字或方程形式存在，而可以被直观地组织成结构网络。这为后来的因果图理论提供了重要基础。
2.3 现代因果图理论的形成
现代因果图理论的形成，主要得益于因果推断、统计学和人工智能等领域的交汇。学者们逐渐建立起以图结构描述因果机制、以条件独立关系验证图结构、以干预操作检验模型的系统框架。
这一阶段的重要进展在于，因果图不仅是示意图，而成为严谨的理论工具。它能够支持识别条件、推断规则和算法设计，从而进入可计算、可验证的研究范畴。
2.4 主要学派与代表人物
因果图研究并非出自单一学派，而是由多个方向共同推动。统计学、机器学习、哲学和经济计量学都贡献了重要思想。不同传统强调的重点略有不同：有的侧重可识别性，有的重视算法搜索，有的则强调结构方程与干预解释。
这些研究路径虽然术语各异，但都围绕同一目标展开，即建立能够表达和检验因果结构的方法体系。
3 图的类型
3.1 有向无环图
3.1.1 基本结构
有向无环图是最常见的因果图类型之一，简称 DAG。它由节点和有向边组成，并且不允许形成闭环。也就是说，从任一节点出发沿箭头前进，不可能再次回到原点。
这种结构适合表示单向传递的因果机制，如上游因素影响中间变量，再传递到结果变量。由于结构清晰，DAG 在因果推断中应用非常广泛。
3.1.2 拓扑顺序
在 DAG 中，节点通常可以排成一个拓扑顺序，即每个节点都位于其所有后果之前。这个顺序并不一定代表时间，但有助于理解变量间的依赖层级。
拓扑顺序的存在，使得模型可以按阶段分析：先看来源变量，再看中间机制，最后看结果。对于算法实现和理论证明，这种顺序也很有价值。
3.1.3 环路限制
DAG 不允许环路，这是其最显著的结构限制。若一个系统中存在明显反馈，例如“情绪影响睡眠，睡眠又反过来影响情绪”，则单纯的 DAG 可能需要借助时间展开、动态模型或更一般的图结构来处理。
环路限制保证了推断过程的简洁性，但也意味着它在表示某些现实系统时需要作近似处理。
3.2 部分有向图
3.2.1 适用场景
部分有向图用于表示图中一部分方向已知，而另一部分方向尚不确定的情形。这类图常出现在数据不足、结构信息不完全或方向判断存在歧义的研究中。
它的作用是保留已知结构，同时为待判定关系留出空间，避免过早作出强结论。对于探索性分析来说，这种表示方式较为实用。
3.2.2 表达不确定方向
部分有向图的一个重要功能，是表达边方向的不确定性。例如，在两个变量之间只有关联证据，但因果方向尚不能确定时，图中可用特殊符号标示为“待定方向”。
这种处理方式使因果建模更接近真实研究过程：并非所有关系都能一次性确认，而是需要随着证据积累逐步收敛。
3.3 混合图与扩展图
3.3.1 双向边
混合图允许在同一图中使用多种边类型，如单向边、双向边或其他扩展符号。双向边常用于表示两变量之间存在共同原因或互相影响的复杂关系。
这类图比普通 DAG 更灵活，但也更依赖解释约定。读图时必须明确边的语义，否则容易把表示“未观测共同原因”的符号误解为“双方都直接作用于彼此”。
3.3.2 潜在混杂表示
在某些图中，双向边会被用来表示潜在混杂，即存在一个未观测变量同时影响两个节点。这样做的目的，是在图上保留对隐藏机制的提醒。
潜在混杂的表达，使分析者在进行因果识别时更加谨慎。它提示某些看似简单的关系，可能被看不见的共同原因所扭曲。
3.4 概率图模型中的因果图
3.4.1 贝叶斯网络
贝叶斯网络是最典型的概率图模型之一，它以有向无环图为结构基础，并把每个节点的条件概率分布写在图上。它既能表示概率依赖，也常被用作因果解释的载体。
在因果语境下，贝叶斯网络不仅描述变量之间的统计条件关系，还可在特定假设下解释为因果结构。这使它在推理、预测和不确定性分析中都很有用。
3.4.2 马尔可夫网络与对照关系
马尔可夫网络使用无向边表示变量间的依赖关系，强调的是联合分布中的邻接结构，而不是明确的因果方向。与因果图相比，它更适合描述对称依赖，但不直接表达“谁导致谁”。
二者的差别在于：因果图关注机制和干预，马尔可夫网络更偏向统计关联。若研究目标是解释干预效果，因果图通常更直接；若重点在于联合建模和局部依赖，无向模型则更常见。
4 核心概念
4.1 混杂因素
混杂因素是同时影响暴露变量和结果变量的第三方变量。它会让观察到的关系偏离真实因果效应，甚至造成“看似有因果，实际上只是共同受控于第三变量”的假象。
在因果图中，混杂因素通常位于两者的上游，并指向二者。识别和处理混杂，是因果分析中的基本任务之一。
4.2 中介变量
中介变量位于原因与结果之间，承担作用传递的角色。例如，一个政策可能先影响资源分配，再进一步影响最终结果，资源分配便可视作中介。
中介分析关注的是“通过什么路径起作用”，而不仅是“是否起作用”。这类分析有助于拆解复杂机制，但也需要注意中介与混杂并存时的识别问题。
4.3 碰撞点
碰撞点是两个或多个变量共同指向的节点。与混杂不同，碰撞点本身会阻断路径；但如果错误地对碰撞点进行条件化，反而可能打开原本关闭的关联路径，引入偏差。
这是因果图中非常重要、也最容易误用的概念之一。许多经验研究中的“控制过度”问题，往往与碰撞点处理不当有关。
4.4 反事实与潜在结果
反事实是指“如果当时不一样，会发生什么”的假设性问题。潜在结果框架则把每个个体在不同处理条件下可能出现的结果都视为潜在状态，再比较这些状态之间的差异。
这类思想为因果推断提供了清晰的定义基础。虽然反事实无法同时被完全观测，但它是理解处理效应与个体差异的重要理论工具。
4.5 干预与观察
观察数据来自自然发生的过程，而干预则是人为改变某个变量的取值，再考察系统变化。因果推断尤其重视两者的区别，因为仅仅观察到某变量变化，并不意味着知道改变它会带来什么后果。
因果图在这里的作用，是帮助研究者从观察关系过渡到干预推理，明确哪些结论可以从数据中识别，哪些必须依赖额外假设。
5 图的构建方法
5.1 基于领域知识构建
基于领域知识构建因果图，通常由专家根据理论、经验和已有研究来绘制。此方法强调机制合理性，适合已有较成熟认知框架的领域。
它的优点是结构可解释、假设透明；缺点是容易受到主观判断影响，并且对新现象的适应性有限。
5.2 基于数据学习构建
5.2.1 约束法
约束法依赖条件独立检验，通过观察变量之间的独立与依赖模式来推断图结构。若某些变量在控制其他变量后变得独立，便可据此限制可能的边方向。
这种方法适合在数据充足、变量测量较完整时使用，但对样本量和检验稳定性较为敏感。
5.2.2 分数法
分数法通过给候选图结构打分，再选择得分较高的结构。评分标准常结合拟合优度与模型复杂度，以避免过拟合。
这类方法在搜索空间较大时较灵活，但计算成本可能较高，且结果依赖评分函数的设定。
5.2.3 结构方程法
结构方程法把每个变量表示为其上游变量的函数加误差项，再根据方程结构反推图关系。它兼顾了结构与数值表达，便于与统计建模结合。
该方法在因果分析中常与理论假设配合使用，适合明确变量间作用机制的场景。
5.3 混合式构建
混合式构建将专家知识与数据学习结合起来，既利用先验结构限制搜索范围，也借助数据修正局部关系。这样可以在可解释性和自动化之间取得平衡。
在复杂应用中，单靠专家经验或纯数据算法都可能不够稳妥，混合式方法往往更现实。
5.4 构图中的假设设置
构建因果图时，必须明确哪些变量被纳入、哪些关系被允许、是否存在未观测混杂，以及变量之间是否满足某些稳定性假设。若这些前提不清楚，后续分析很难成立。
因此，好的因果图不仅是“画出来”，更是“假设说清楚”。结构本身就是理论的一部分。
6 因果推断
6.1 识别因果效应
因果图的一个重要用途，是判断某个因果效应能否从数据中被识别。识别并不等同于估计，它回答的是“理论上能不能确定”，而估计则是在识别成立后讨论具体数值。
因果图通过展示路径关系和阻断条件，为识别提供了直观且严格的依据。
6.1.1 可识别性条件
可识别性条件指的是，在给定图结构和假设的前提下，目标因果量能否唯一地由观测分布推出。若存在多个不同因果模型都能生成同样的观测数据，则该效应通常不可识别。
判断可识别性，往往需要结合图结构、变量分布和干预假设共同分析。
6.1.2 调整集选择
调整集是指在估计因果效应时需要控制的一组变量。选择合适的调整集，可以阻断混杂路径，减少偏差；选择不当，则可能引入新的偏差。
因果图的优势在于它能系统性地提示哪些变量该调、哪些不该调，从而避免经验上“多控总比少控好”的误区。
6.2 后门准则
后门准则用于判断一组变量是否足以阻断暴露与结果之间所有非因果路径。只要满足这一条件，就可以通过对该组变量进行条件化，获得更接近真实因果效应的估计。
它是因果图中最常用的识别工具之一，适用于存在混杂、但可通过观测变量加以控制的情形。
6.3 前门准则
前门准则用于某些后门路径难以直接阻断、但存在可测中介且结构条件满足的情况。通过中介变量的分解与组合，可以在特定假设下识别因果效应。
这一准则的应用较为严格，但在无法直接控制混杂的特殊情景中具有重要价值。
6.4 结构因果模型
结构因果模型将每个变量的生成过程写成函数形式，并与图结构对应起来。它不仅说明变量关系，还说明变量如何由上游因素生成。
这种模型把因果图、方程和干预操作统一到一个框架内，使理论表达更加完整。
6.5 干预分布与效应估计
干预分布描述的是在对某变量施加干预后，其他变量的概率如何改变。效应估计则进一步量化这种变化，常用于比较处理前后结果分布的差异。
在实践中，研究者往往先用图确定可识别性，再借助统计方法估计干预效应。图与数据在这里形成互补关系。
7 应用领域
7.1 医学与流行病学
在医学与流行病学中，因果图常用于分析危险因素、治疗效果和疾病机制。它特别适合处理复杂的混杂结构，例如生活方式、既往史和环境因素同时影响疾病风险的情况。
通过因果图，研究者可以更有条理地设计观察研究、筛选协变量，并解释临床干预的可能后果。
7.2 经济学与社会科学
在经济学与社会科学中，因果图用于分析政策、教育、收入、就业和社会流动等问题。由于这些领域常涉及多层机制和不可直接实验的对象，因果图能够帮助澄清结构假设。
它在解释政策变化影响、评估制度设计效果方面具有较强实用性。
7.3 机器学习与人工智能
在机器学习与人工智能中，因果图可用于提升模型解释性、处理分布变化和支持鲁棒推断。与纯预测模型相比，因果图更强调“为什么会这样”，因此在可解释 AI 中常被采用。
它也有助于识别特征之间的依赖路径，减少把表面相关误当作稳定规律的问题。
7.4 工程系统分析
在工程系统分析中，因果图可用于故障诊断、风险评估和系统优化。复杂设备往往由多个子系统组成，变量之间的传导和反馈关系适合用图结构表达。
借助因果图，工程人员可以定位关键影响源，并分析某项改动可能引发的连锁反应。
7.5 心理学与行为科学
在心理学与行为科学中，因果图常用于研究认知、情绪、动机和行为之间的关系。由于这类变量往往互相影响且难以直接实验，图模型能够帮助整理理论路径。
它对量表设计、机制分析和实验解释也有辅助作用。
8 优势与局限
8.1 优势
8.1.1 结构清晰
因果图将复杂关系转化为明确结构，使变量之间的作用路径一目了然。对于多变量系统，这种清晰性尤为重要。
8.1.2 便于解释
图形表达比纯公式更容易沟通，适合跨学科交流。研究者、实践者和读者都可以较快理解模型的基本假设。
8.1.3 支持干预分析
因果图不仅描述现状，还能用于分析“如果改变某变量会怎样”。这使它在政策评估、临床决策和系统设计中具有较高实用价值。
8.2 局限
8.2.1 依赖假设
因果图的结论高度依赖建模假设。若结构设定不合理，后续推断即使形式上严谨，也可能偏离真实机制。
8.2.2 难以处理隐变量
许多现实系统中存在未观测因素，而隐变量往往会影响识别与解释。若这些变量无法被观测或合理代理，图模型的结论会受到限制。
8.2.3 高维复杂系统挑战
当变量数量很多、关系密集且反馈复杂时，构图与推断都会变得困难。搜索空间巨大、误差积累明显，模型稳定性也更难保证。
9 相关方法与比较
9.1 与流程图的区别
流程图主要描述步骤、顺序和操作过程，不一定表示因果关系。因果图则强调变量之间的因果作用，关注的是结构性依赖而不是工作流程。
因此，两者外形相似，但用途不同。流程图回答“先做什么后做什么”，因果图回答“什么影响什么”。
9.2 与相关网络的区别
相关网络通常根据统计相关性建立连接，边的含义多为关联强度或相似性。因果图则要求方向和机制解释，不能把相关直接等同于因果。
简言之，相关网络偏“谁和谁像”，因果图偏“谁导致谁”。
9.3 与贝叶斯网络的关系
贝叶斯网络可以看作因果图的一种重要形式，但并非所有贝叶斯网络都自动具有因果解释。只有在满足相应因果假设时，贝叶斯网络结构才可被视为因果结构。
因此，两者关系紧密，但不能完全画等号。
9.4 与结构方程模型的联系
结构方程模型与因果图共享许多思想，都关注变量间的路径和潜在关系。不同的是，结构方程模型更强调方程估计与统计拟合，而因果图更强调结构表达与干预逻辑。
在实际研究中，两者经常结合使用：图提供结构框架，方程提供参数化实现。
10 实际绘制与使用
10.1 变量命名与抽象层级
绘制因果图时，变量命名应尽量明确、统一，避免同一概念被多个名称指代。抽象层级也要一致，不能把高度概括的概念与非常具体的测量指标随意混在同一层次中。
层级混乱会让图看起来完整，实际上却难以分析。
10.2 画图工具与软件
因果图可用通用绘图软件绘制，也可使用专门的因果分析工具。常见工具通常支持节点编辑、边方向设置、布局调整以及导出图形。
选择工具时，重点不在于界面华丽，而在于是否便于维护结构、记录假设和复现实验。
10.3 结果解释与验证
因果图画好之后，不能只停留在“看起来合理”。还需要结合数据、实验结果或外部证据进行验证，检查图中假设是否与实际情况相符。
解释结果时，也应明确哪些结论来自图结构，哪些来自数据估计，避免把假设当成事实。
10.4 常见错误
常见错误包括把相关当因果、控制了不该控制的变量、忽略潜在混杂、混淆中介与混杂、以及在没有明确假设时过度解读图形。
另一个常见问题是图画得过于复杂，导致结构失去重点。好的因果图应服务于分析，而不是仅仅追求“节点越多越完整”。
11 经典示例
11.1 吸烟、肺癌与混杂变量示例
吸烟与肺癌之间的关系常被用作因果图示例。若仅观察到吸烟者肺癌发生率更高，并不能直接断定吸烟就是唯一原因，因为年龄、职业暴露、生活习惯等因素也可能共同影响二者。
这个示例说明，因果图的关键作用是识别可能的混杂路径，并帮助研究者更谨慎地解释观察结果。
11.2 运动、饮食与健康结果示例
运动和饮食通常共同影响健康结果，而它们彼此之间也可能存在联系，例如更重视健康的人往往同时更愿意运动和控制饮食。因果图可以把这些路径区分开来。
通过画图，研究者能够判断应控制哪些变量，避免把生活方式内部的复杂互动简化为单一线性关系。
11.3 教育、收入与机会结构示例
教育、收入与机会结构之间常存在多条相互关联的路径。教育可能影响收入，收入又会影响后续机会；同时，家庭背景也可能同时影响教育和机会。
这一示例体现了因果图在社会系统分析中的用途：它能把层级关系、传递机制和潜在偏差一起呈现出来。
11.4 日常生活中的因果链示例
在日常场景中，因果图也很容易理解。例如“晚睡导致第二天疲劳，疲劳影响效率，效率影响情绪”就是一条典型因果链。
虽然这种示例很简单，但它能帮助初学者直观理解因果图的基本逻辑：变量并非孤立存在，而是沿着路径相互作用。
12 术语表
12.1 相关术语释义
因果图：表示变量因果关系的图形模型。 节点：图中的变量或概念。 有向边：表示因果方向的箭头连接。 混杂因素：同时影响暴露与结果的变量。 中介变量：位于原因和结果之间的传递变量。 碰撞点：多个因果路径汇入的节点。
12.2 常见缩写
DAG：有向无环图。 SCM：结构因果模型。 BN：贝叶斯网络。 ATE：平均处理效应。 CATE：条件平均处理效应。 SCM 与 BN 在不同语境下含义略有差别，使用时应结合上下文理解。
12.3 进一步阅读
进一步阅读通常包括因果推断基础、图模型理论、实验设计方法、反事实分析和结构方程建模等方向。若希望深入理解因果图，建议先掌握概率论、统计推断和回归分析，再进入图结构与干预理论。