图论基础：有向图与无向图、路径与环、DAG的定义与性质
说实话，很多同学刚开始学因果推断，一上来就被各种图论术语给唬住了。什么有向无环图、马尔可夫毯、d-分离……听着像天书。但你别怕，图论这东西，说白了就是画圈圈和箭头。
我当年第一次接触因果图，是在一个电商推荐系统的项目里。老板让我分析「用户点击广告」和「最终购买」之间的关系。我一开始拿了一堆回归模型跑，结果越跑越糊涂。后来一个老大哥跟我说：「你先别急着建模，把变量之间的因果关系画出来。」
嗯，就是这句话，让我彻底入了因果推断的坑。今天我们就从最基础的图论开始，把地基打牢。
什么是图？
图，就是一堆节点（Node）和一堆边（Edge）的集合。节点代表变量，边代表关系。
举个例子：
- 节点：天气、冰淇淋销量、游泳人数
- 边：天气影响冰淇淋销量，天气也影响游泳人数
就这么简单。你不需要把它想得多复杂。图论就是研究这些节点和边之间关系的数学工具。
有向图 vs 无向图
这是最基础的一个区分，也是你以后天天要打交道的概念。
无向图：边没有方向。A和B相连，就是互相有关系，但不分谁影响谁。比如社交网络里的「好友关系」——你是我朋友，我也是你朋友，没有箭头指向。
有向图：边有方向。A → B 表示A影响B，但B不一定影响A。比如「下雨 → 地湿」，下雨会导致地湿，但地湿不会导致下雨。
我个人习惯，在因果推断里几乎只用有向图。因为因果关系天然就是有方向的——原因指向结果，而不是反过来。
核心要点：因果图必须是有向图。无向图只能表示关联，不能表示因果。
我在项目中遇到过一位同事，他用无向图做因果分析，结果把「相关」当成了「因果」，模型上线后效果惨不忍睹。嗯，这个坑我替你们踩过了。
路径与环
有了节点和边，我们就可以在图上「走路」了。
路径：从一个节点出发，沿着边走，到达另一个节点，中间经过的节点序列就是一条路径。比如 A → B → C，就是从A到C的一条路径。
路径可以是任意长度的。甚至你可以走回头路，只要沿着边走就行。
环：如果一条路径的起点和终点是同一个节点，那就形成了一个环。比如 A → B → C → A。
你想想看，在因果关系里，环意味着什么？意味着A导致B，B导致C，C又导致A。这在现实中很少见——除非是反馈系统，比如「供需关系」：需求高导致价格涨，价格涨又抑制需求。但大多数因果推断场景，我们假设没有这种循环。
避坑指南：我曾经在一个医疗数据分析项目里，不小心画了一个环——「用药 → 副作用 → 停药 → 病情加重 → 用药」。这个环导致后续的因果效应估计完全失效。后来我才意识到，在静态因果图中，环是不允许的。
DAG：有向无环图
好了，重点来了。DAG，全称 Directed Acyclic Graph，中文叫「有向无环图」。
三个条件：
- 有向：所有边都有方向
- 无环：图中不存在任何环
- 图：由节点和边组成
说白了，DAG就是一张没有回头路的因果地图。你从任何一个节点出发，沿着箭头走，永远不可能回到原点。
为什么DAG在因果推断里这么重要？
因为因果关系的本质就是「前因后果」，不能循环。如果A导致B，B又导致A，那到底谁是因谁是果？这就乱套了。
我的经验：每次构建因果图之前，我都会先检查一遍有没有环。一个简单的方法：把所有节点按时间顺序排列。原因一定发生在结果之前。如果发现某个节点的时间顺序对不上，那大概率是画错了。
DAG的核心性质
DAG有几个非常重要的性质，我挑三个最常用的讲：
| 性质 | 说明 | 实际意义 |
|---|---|---|
| 拓扑排序 | DAG中的节点可以排成一个线性序列，使得每条边的起点都在终点之前 | 可以确定变量的因果顺序，方便建模 |
| 马尔可夫性质 | 给定父节点，每个节点与它的非后代节点条件独立 | 简化了概率计算，是贝叶斯网络的基础 |
| d-分离 | 判断两个节点是否条件独立的方法 | 用于选择调整变量，避免混杂偏差 |
这三个性质，你以后会反复用到。尤其是d-分离，它是因果推断里最核心的工具之一。不过今天我们先不展开，先把DAG本身搞明白。
一个简单的DAG示例
我们来看一个实际的例子。假设我们要分析「广告投放」对「销售额」的影响。
变量有：
- 广告预算（Budget）
- 广告曝光量（Exposure）
- 用户点击量（Click）
- 销售额（Sales）
一个合理的DAG可能是这样的：
Budget → Exposure → Click → Sales你看，箭头都是单向的，没有环。预算影响曝光，曝光影响点击，点击影响销售。每一步都有明确的因果方向。
如果我在这个图里加一条边：Sales → Budget（销售额高所以增加预算），那就形成了一个环。这时候就不是DAG了，而是一个有向循环图。处理起来就麻烦得多。
记住：在因果推断中，我们默认使用DAG。如果你遇到循环，要么拆解成多个时间点，要么使用更复杂的动态因果模型。
SVG知识结构图
下面我用一张图来总结本章的核心知识体系。你可以把它当作一个「思维导图」来看。
这张图把本章的核心内容串起来了。从图的分类，到路径与环，再到DAG的定义和性质，一层层往下走。你以后每次构建因果图，都可以拿这张图来对照一下，看看自己有没有遗漏什么。
小结
好了，今天的内容就到这里。我们讲了：
- 图的基本概念：节点和边
- 有向图和无向图的区别
- 路径和环的含义
- DAG的定义：有向 + 无环 + 图
- DAG的三个核心性质：拓扑排序、马尔可夫性质、d-分离
这些东西看起来简单，但它们是整个因果推断的根基。我见过太多人，一上来就学各种高级方法，结果连DAG都画不对，最后模型跑出来全是错的。
所以，别急。把基础打牢，后面才能走得远。