1. 因果发现概述：什么是因果发现？为什么需要因果发现？因果发现 vs 相关性分析
1.1 从一个真实的故事说起
我记得刚入行做推荐系统那会儿，团队里有个经典案例。我们观察到「用户点击某个商品后，购买转化率明显提升」。老板一拍大腿：「那就让用户多点几次呗！」结果呢？点击率上去了，购买率反而掉了。
为什么会这样？
因为点击和购买之间，存在一个隐藏的「兴趣」变量。感兴趣的用户既会点，也会买。强行让不感兴趣的用户去点，除了增加骚扰，啥也得不到。这就是典型的「相关性不等于因果性」。
嗯，从那天起，我开始认真琢磨因果推断这件事。
1.2 什么是因果发现？
说白了，因果发现就是从数据里找出变量之间的「谁影响了谁」。它回答的是：
- A 变了，B 会不会跟着变？
- 如果我把 A 强行改掉，B 会怎样？
- 有没有一个隐藏的 C，同时导致了 A 和 B？
举个例子：
你看到冰淇淋销量和溺水人数同步上升。相关性分析告诉你：这两件事有关系。但因果发现会告诉你：它们背后有个共同的「夏天温度」在作怪。温度高了，大家既爱吃冰淇淋，又爱下水游泳，溺水风险自然增加。
因果发现的核心任务：从观测数据中，还原出变量之间的因果结构图（DAG，有向无环图）。
1.3 为什么需要因果发现？
我这些年做过的项目，但凡涉及「干预」和「决策」，因果发现几乎都是绕不开的坎。原因有三：
- 做决策需要知道「如果...会怎样」
比如广告投放：你看到「看了广告的人购买率高」，但这些人本来就想买啊。因果发现能帮你区分「广告的效果」和「用户的自选择偏差」。 - 防止「虚假关联」坑人
我在金融风控项目里遇到过：某个特征跟违约率高度相关，但其实是另一个业务规则导致的。如果直接用这个特征建模，规则一改，模型就崩了。 - 可解释性要求越来越高
现在的业务方不好糊弄了。你说「模型预测这个人会流失」，人家问「为什么？」你总不能说「因为特征权重高」吧？因果结构能给出更合理的解释。
我的经验：如果你在做「策略优化」「实验设计」「反事实推理」这类任务，因果发现基本是标配。如果只是做预测（比如图像分类），那相关性分析可能就够了。
1.4 因果发现 vs 相关性分析
这两者的区别，我经常用一个比喻来解释：
- 相关性分析：就像看到两个人总是一起出现，但不知道他们是朋友、同事，还是碰巧同路。
- 因果发现：要搞清楚谁先约的谁，谁影响了谁，有没有第三方在撮合。
具体差异，我整理了一张表：
| 维度 | 相关性分析 | 因果发现 |
|---|---|---|
| 回答的问题 | 它们是否一起变化？ | 改变 A 会影响 B 吗？ |
| 方向性 | 无方向（对称） | 有方向（非对称） |
| 对干预的预测 | 不能 | 可以 |
| 需要的假设 | 较少 | 较多（如无混淆、因果充分性等） |
| 典型方法 | 皮尔逊系数、互信息 | PC 算法、FCI、LiNGAM |
| 鲁棒性 | 对噪声敏感 | 对假设违背敏感 |
避坑指南：我曾经在一个电商项目里，直接用相关性矩阵做特征选择，结果上线后 A/B 实验效果跟离线完全相反。后来才发现，那些高相关特征大多是「共同原因」导致的，根本不是真正的因果路径。从那以后，我养成了一个习惯：在做特征筛选前，先跑一遍因果发现，哪怕只是画个草图。
1.5 因果发现的知识体系
下面这张图，是我自己总结的因果发现整体框架。每次做项目前，我都会先对照着看一遍，确认自己站在哪个位置。
这张图里，我特别想强调一点：所有因果发现方法都建立在假设之上。你选哪种方法，取决于你愿意接受哪些假设。比如 PC 算法假设「无混淆」，这在很多真实场景下很难满足。我踩过的坑就是：拿着 PC 的结果直接做决策，结果被业务方怼回来，因为遗漏了关键混淆变量。
1.6 什么时候该用因果发现？
我给自己定了个简单的判断标准：
- 用相关性分析就够了：纯预测任务、特征筛选（不关心方向）、探索性数据分析
- 必须上因果发现：策略优化、干预效果评估、反事实推理、可解释性要求高的场景
- 可以两者结合：先用相关性做粗筛，再用因果发现精炼。但要注意，相关性筛掉的变量，可能恰恰是因果路径上的关键节点。
一个小建议：刚开始接触因果发现的同学，别一上来就上复杂算法。先画个「因果图草图」，把你知道的业务逻辑画出来。然后对照数据，看看哪些边是合理的，哪些是反直觉的。这个过程本身，就能帮你发现很多问题。
1.7 本章小结
因果发现，说白了就是帮我们从「看到什么」走向「能改变什么」。它比相关性分析多了一层「干预」的视角，但也多了不少假设和约束。
我个人习惯是：在做任何涉及「决策」的数据项目前，先花 20% 的时间做因果发现。这 20% 的时间，往往能省掉后面 80% 的返工。
下一章，我们会深入因果图的基本概念——节点、边、路径、d-分离。这些东西听起来抽象，但理解了它们，你就能看懂大部分因果发现算法的核心逻辑了。