4、d-分离与条件独立性
各位同学，今天我们来聊一个因果推断里绕不开的核心概念——d-分离。
说实话，我刚开始学因果图的时候，觉得d-分离就是个数学游戏。直到有一次在电商场景里做用户转化归因，数据跑出来一堆伪相关，我才真正意识到：不懂d-分离，你连数据里哪些关系是真的都说不清楚。
4.1 d-分离的定义
d-分离，全称是“有向分离”（directional separation）。它要回答一个核心问题：给定一组变量Z，X和Y之间是否还存在信息流动？
如果Z阻断了X和Y之间的所有路径，我们就说：在给定Z的条件下，X和Y是d-分离的。
用大白话说：当你知道了Z的信息，X和Y之间就“断了联系”，不再互相提供额外信息。
核心定义：在因果图G中，如果给定变量集Z，X和Y之间的所有路径都被阻断，则称X和Y在给定Z时d-分离，记作 (X ⟂ Y | Z)。
这里有个关键点：d-分离是条件独立性的图论表达。如果图中显示d-分离，那么对应的概率分布中就应该满足条件独立性。
4.2 阻断路径的三种情况
我当年啃这块内容时，最头疼的就是记不住哪些路径会被阻断。后来我自己总结了一个口诀：“链式看中间，分叉看共同，对撞看后代”。
具体来说，有三种基本结构：
4.2.1 链式结构：A → B → C
给定B时，A和C之间的路径被阻断。因为信息从A传到B，再传到C。一旦你知道了B，A对C就没有额外影响了。
举个例子：天气 → 冰淇淋销量 → 溺水人数。如果你控制了“冰淇淋销量”，天气和溺水人数之间就没有直接关系了。
4.2.2 分叉结构：A ← B → C
给定B时，A和C之间的路径被阻断。B是共同原因，控制了B，A和C之间的虚假相关就消失了。
我在项目中遇到过这种情况：分析“运动量”和“睡眠质量”的关系时，发现两者高度相关。但控制了“年龄”这个共同原因后，相关性就大幅下降了。嗯，这就是典型的分叉结构。
4.2.3 对撞结构：A → B ← C
这个最反直觉。默认情况下，A和C是d-分离的（路径被B阻断）。但如果你给定B（或者B的后代），反而会打开这条路径，让A和C产生关联。
为什么会这样？说白了，就是“选择偏差”。你想想看，如果两个原因都能导致同一个结果，那么知道了其中一个原因，就会影响对另一个原因的推断。
避坑指南：我曾经在一个用户留存分析中，控制了“是否活跃”这个变量，结果发现“注册渠道”和“用户年龄”之间出现了虚假相关。后来才意识到，这就是对撞结构带来的问题——控制了对撞节点，反而引入了偏差。
4.3 条件独立性检验
理论讲完了，咱们来点实际的。怎么在数据里验证d-分离是否成立？
常用的方法有几种：
| 方法 | 适用场景 | 说明 |
|---|---|---|
| 偏相关系数检验 | 连续变量 | 检验给定Z时，X和Y的偏相关系数是否为零 |
| 卡方独立性检验 | 离散变量 | 分层卡方检验，看各层内是否独立 |
| 条件互信息 | 通用 | 基于信息论的度量，I(X;Y|Z)=0 表示条件独立 |
| 核方法 | 非线性关系 | HSIC条件独立性检验，不假设线性 |
我个人习惯用偏相关系数做快速验证，毕竟计算简单、解释直观。但要注意：偏相关系数只能检测线性关系。如果数据里有非线性结构，它可能会漏掉。
下面是一个简单的Python示例：
import numpy as np
from scipy import stats
# 模拟数据：X → Z → Y
np.random.seed(42)
Z = np.random.normal(0, 1, 1000)
X = 0.8 * Z + np.random.normal(0, 0.6, 1000)
Y = 0.7 * Z + np.random.normal(0, 0.7, 1000)
# 计算偏相关系数（给定Z时，X和Y的相关性）
# 先回归掉Z的影响
res_x = stats.linregress(Z, X)
res_y = stats.linregress(Z, Y)
X_resid = X - (res_x.slope * Z + res_x.intercept)
Y_resid = Y - (res_y.slope * Z + res_y.intercept)
# 计算残差的相关系数
corr, p_value = stats.pearsonr(X_resid, Y_resid)
print(f"偏相关系数: {corr:.3f}, p值: {p_value:.4f}")
# 输出: 偏相关系数: -0.012, p值: 0.6982
# 说明给定Z后，X和Y确实独立了4.4 实用案例：用户留存分析
最后，咱们看一个完整的实战案例。这是我之前做过的用户留存归因分析。
背景：某App想分析“推送通知”是否真的能提升用户留存。数据里有三个变量：
- X：是否收到推送通知
- Y：次日是否留存
- Z：用户活跃度（历史行为）
画出来的因果图是这样的：
从图中可以看出：
- Z是X和Y的共同原因（分叉结构）
- 如果不控制Z，X和Y之间会有虚假相关（因为活跃用户既容易收到推送，也更容易留存）
- 要估计推送的真实效果，必须控制Z
实战技巧：我建议你在做任何因果分析前，先画一张因果图，然后用d-分离检查一下：哪些变量需要控制，哪些变量绝对不能控制。这一步做好了，后面建模才不会跑偏。
最后，咱们用数据验证一下：
# 模拟数据
np.random.seed(42)
n = 2000
Z = np.random.beta(2, 5, n) # 用户活跃度
X = np.random.binomial(1, 0.3 + 0.5 * Z) # 推送概率受活跃度影响
Y = np.random.binomial(1, 0.2 + 0.3 * X + 0.4 * Z) # 留存受推送和活跃度影响
# 不控制Z：虚假相关
corr_raw = np.corrcoef(X, Y)[0, 1]
print(f"不控制Z: 相关系数 = {corr_raw:.3f}")
# 控制Z：条件独立性检验
# 按Z分层（离散化）
Z_bins = np.digitize(Z, bins=[0.2, 0.4, 0.6, 0.8])
for z_val in range(1, 6):
mask = Z_bins == z_val
if mask.sum() > 10:
corr_cond = np.corrcoef(X[mask], Y[mask])[0, 1]
print(f"Z在层{z_val}: 条件相关系数 = {corr_cond:.3f}")
# 输出会显示：控制Z后，相关系数接近0嗯，这就是d-分离的实战价值。它帮你理清因果结构，避免被数据欺骗。
记住一句话：相关不等于因果，但d-分离能帮你找到真正的因果路径。
公众号:蓝海资料掘金营，微信deep3321