第2章：因果图模型基础——有向无环图（DAG）
好，咱们进入因果推断的核心工具——因果图。说白了，因果图就是一张“谁影响了谁”的地图。我个人习惯用有向无环图（DAG）来画这张地图。为什么叫“有向无环”？因为因果关系是有方向的，而且不能循环——你不能既是因又是果，那逻辑就乱了。
2.1 节点与边的含义
在DAG里，每个节点代表一个变量。比如“是否吃药”、“是否康复”。边就是箭头，从原因指向结果。举个例子：
# 一个简单的DAG示例
# 吃药 → 康复
# 年龄 → 康复
# 年龄 → 吃药这里“吃药”和“年龄”是父节点，“康复”是子节点。我在项目中遇到过一个问题：有人把“是否住院”也加进来，结果发现“住院”和“康复”之间既有箭头又有反向箭头——这就成环了，DAG不认。
核心要点：
- 节点：变量，可以是连续型（如年龄）或离散型（如是否吸烟）
- 有向边：箭头，表示因果关系方向
- 无环：不能有A→B→C→A这样的循环
2.2 父子节点与后门路径
父节点就是直接指向某个节点的节点。子节点就是被指向的节点。比如在“吸烟→肺癌→死亡”这个链条里，“吸烟”是“肺癌”的父节点，“肺癌”是“死亡”的父节点。
后门路径是什么？我刚开始学的时候也觉得这名字怪。其实就是从原因到结果，中间有一条“非因果”的路径，但这条路径上混入了共同原因。比如：
# 后门路径示例
# 吸烟 → 肺癌
# 吸烟 ← 基因 → 肺癌这里“吸烟”和“肺癌”之间有一条后门路径：吸烟 ← 基因 → 肺癌。基因同时影响吸烟行为和肺癌风险，这就产生了混杂偏倚。
避坑指南：我曾经在分析一个药物效果时，没注意“年龄”这个后门路径。结果发现药物效果被严重低估了——因为老年人更可能吃药，但老年人本身康复率低。后来我控制了年龄，效果才正常。
2.3 d-分离与条件独立性
d-分离是判断两个变量是否条件独立的核心工具。说白了，就是看两个节点之间的所有路径是否都被“阻断”了。
有三种阻断情况：
- 链式结构：A → B → C。如果控制B，A和C就独立了。
- 叉式结构：A ← B → C。如果控制B，A和C就独立了。
- 对撞结构：A → B ← C。如果不控制B，A和C独立；一旦控制B，A和C反而可能相关。
你想想看，第三种情况是不是很反直觉？我刚开始做项目时就被这个坑过。当时分析“运动”和“健康”的关系，发现控制“住院”后，运动和健康反而负相关了——因为住院的人往往身体更差，但住院前可能运动更多。
实用技巧：判断d-分离时，我习惯先画出所有路径，然后逐个检查每条路径是否被阻断。如果所有路径都被阻断，那这两个变量就是条件独立的。
2.4 知识体系总览
下面这张图是我自己总结的DAG知识体系，你可以把它当作学习地图：
2.5 实战：用DAG识别混杂变量
咱们来一个真实案例。假设你想研究“喝咖啡”对“心脏病”的影响。你收集了数据，发现喝咖啡的人心脏病发病率更低。但等等，是不是有其他因素在捣乱？
画个DAG看看：
# 可能的DAG结构
# 年龄 → 喝咖啡
# 年龄 → 心脏病
# 喝咖啡 → 心脏病
# 吸烟 → 心脏病
# 吸烟 → 喝咖啡这里“年龄”和“吸烟”都是后门路径上的节点。如果不控制它们，你看到的“喝咖啡→心脏病”的效果就是有偏的。
d-分离判断：
- 喝咖啡和心脏病之间有一条直接路径（喝咖啡→心脏病）
- 还有两条后门路径：喝咖啡 ← 年龄 → 心脏病，喝咖啡 ← 吸烟 → 心脏病
- 要阻断后门路径，需要控制年龄和吸烟
- 控制后，喝咖啡和心脏病就条件独立了——这时估计的才是因果效应
嗯，这里要注意：控制变量不是越多越好。我曾经犯过一个错误，把“运动量”也控制了——结果发现运动量是喝咖啡影响心脏病的中间变量，控制它反而把因果效应的一部分给“控掉”了。
我的经验：画DAG时，先列出所有你认为相关的变量，然后逐个判断它们的位置。是混杂变量？是中间变量？还是对撞变量？位置不同，处理方式完全不同。
2.6 总结
DAG是因果推断的“地图”。没有地图，你就是在黑箱里瞎猜。有了DAG，你至少知道哪些变量该控制，哪些不该控制。我每次做因果分析，第一件事就是画DAG——哪怕只是草稿，也能帮我理清思路。
记住三个核心：节点代表变量，箭头代表因果方向，d-分离帮你判断独立性。把这三点吃透了，后面的因果效应估计就顺了。
公众号:蓝海资料掘金营，微信deep3321