第二章 因果图模型：有向无环图(DAG)基础、d-分离与条件独立性、后门准则与前门准则
各位同学，欢迎来到第二章。上一章我们聊了因果推断的基本框架，说白了就是「为什么」比「是什么」更重要。这一章，我们要深入因果推断的「骨架」——因果图模型。
我个人习惯把因果图比作一张「交通地图」。变量是城市，箭头是公路。你要搞清楚一条因果路径，就得先看懂这张地图。我在保险精算项目中，经常用这张图来梳理理赔率、保费、客户行为之间的复杂关系。没有它，你很容易被「假相关」带偏。
2.1 有向无环图(DAG)基础
DAG，全称 Directed Acyclic Graph。翻译过来就是「有方向、没环路」的图。
什么叫「有方向」？箭头从原因指向结果。比如「年龄 → 健康风险」，箭头从年龄出发，指向健康风险。这叫有向边。
什么叫「没环路」？你不能从A出发，绕一圈又回到A。比如「A→B→C→A」这种闭环，在因果图里是不允许的。为什么？因为因果不能循环。你想想看，今天的保费影响明天的理赔，明天的理赔又影响后天的保费，这没问题。但你不能说「今天的保费导致明天的保费」，那就成了死循环。
DAG的三个核心要素：
- 节点(Node)：代表变量。比如年龄、性别、保费、理赔次数。
- 有向边(Directed Edge)：箭头，代表因果关系。箭头从因指向果。
- 无环性(Acyclicity)：没有有向环路。这是因果推断的「底线」。
重要提醒：DAG不是回归模型，它不告诉你系数是多少。它告诉你的是「谁影响了谁」的结构。这个结构，比系数本身更重要。
下面我画了一张DAG的示意图，展示保险场景中常见的因果结构：
这张图里，年龄影响驾驶经验，也直接影响事故次数。驾驶经验也影响事故次数。事故次数影响理赔金额。保费则受驾驶经验和事故次数共同影响。你看，没有环路，所有箭头都指向一个方向。这就是DAG。
我的小技巧：画DAG时，先列出所有你认为相关的变量，然后问自己「谁先发生？」。时间顺序是因果方向最可靠的依据。年龄先于驾驶经验，驾驶经验先于事故次数。按时间排，箭头方向基本不会错。
2.2 d-分离与条件独立性
d-分离，全称是「directional separation」，方向性分离。这名字听着挺唬人，其实核心就一句话：给定某些变量后，两个变量之间是否还有关联？
我刚开始学的时候，也被这个概念绕晕过。后来我发现，记住三种基本结构就够了：
| 结构类型 | 图示 | 条件独立性 | 保险案例 |
|---|---|---|---|
| 链式(Chain) | A → B → C | 给定B，A和C独立 | 年龄→驾驶经验→事故次数。给定驾驶经验后，年龄和事故次数无关 |
| 叉式(Fork) | A ← B → C | 给定B，A和C独立 | 收入←教育→健康意识。给定教育后，收入和健康意识无关 |
| 对撞式(Collider) | A → B ← C | 给定B，A和C变得相关 | 驾驶技术→事故←路况。给定事故后，驾驶技术和路况反而相关 |
前两种结构，给定中间变量B，A和C就「分离」了。第三种结构恰恰相反，给定对撞节点B，A和C反而「连接」起来。
我曾经踩过的坑：有一次做车险理赔预测，我把「事故次数」作为控制变量放进模型，结果发现「驾驶技术」和「路况」的系数都变得显著了。我当时还纳闷，后来才意识到——事故次数是个对撞节点！控制它反而引入了虚假关联。从那以后，我每次建模前都会先画DAG，看看哪些变量不能随便控制。
d-分离的正式定义是这样的：如果给定变量集Z，阻断了X和Y之间的所有路径，那么X和Y在给定Z下是d-分离的。说白了，就是「信息流被切断了」。
为什么这对我们精算师重要？因为条件独立性是因果推断的基石。你想估计「保费对理赔金额的因果效应」，就得先搞清楚哪些变量需要控制，哪些变量不能控制。d-分离就是你的「导航仪」。
2.3 后门准则与前门准则
好，现在进入实战环节。我们知道了DAG，知道了d-分离。但具体怎么用？后门准则和前门准则就是两个最实用的「因果识别策略」。
2.3.1 后门准则
后门准则解决的是「混杂偏倚」问题。什么叫混杂？就是有一个变量，既影响你的处理变量，又影响你的结果变量。比如在研究「保费对理赔金额」的影响时，「驾驶经验」就是个混杂变量——它既影响保费定价，也影响理赔金额。
后门准则的核心思想：找到所有从处理变量到结果变量的「后门路径」，然后通过控制某些变量来阻断这些路径。
具体步骤：
- 画出DAG，找出所有从处理变量T到结果变量Y的路径
- 找出所有「后门路径」——即那些有箭头指向T的路径
- 找到一个变量集Z，使得：
- Z中不包含T的后代变量
- Z阻断了所有后门路径
- 控制Z，然后估计T对Y的因果效应
用数学表达就是：
P(Y | do(T=t)) = Σ_z P(Y | T=t, Z=z) * P(Z=z)这个公式看着复杂，其实意思很简单：对每个Z的取值，计算T=t时Y的条件分布，然后按Z的分布加权平均。这就是「调整」或「标准化」的本质。
实战案例：我在做健康险产品定价时，想评估「健康管理计划」对「理赔率」的因果效应。DAG显示，年龄和既往病史都是混杂变量。按照后门准则，我控制了这两个变量。结果发现，如果不控制，效应被低估了30%。这就是后门准则的价值。
2.3.2 前门准则
前门准则解决的是另一种困境：当存在不可观测的混杂变量时，后门准则就失效了。这时候，前门准则可以救场。
前门准则的核心思想：通过一个中间变量M来估计T对Y的因果效应。这个M必须满足三个条件：
- T直接影响M
- M直接影响Y
- T对Y的效应完全通过M传递（没有其他路径）
用公式表达：
P(Y | do(T=t)) = Σ_m P(M=m | do(T=t)) * P(Y | do(M=m))其中：
- P(M=m | do(T=t)) 可以直接从数据中估计（因为T→M没有混杂）
- P(Y | do(M=m)) 需要通过后门准则估计（控制T来阻断M→Y的后门路径）
我举个例子。假设你想评估「保费折扣」对「客户续保率」的影响。但有一个不可观测的混杂变量——「客户的风险偏好」。风险偏好既影响你是否愿意接受折扣，也影响你的续保意愿。后门准则没法用，因为你观测不到风险偏好。
这时候，前门准则就派上用场了。中间变量M可以是「客户满意度」。保费折扣影响满意度，满意度影响续保率。只要这两个关系没有混杂，你就可以通过满意度来估计折扣对续保率的因果效应。
我的建议：前门准则在实际应用中比较少见，因为它对中间变量的要求太严格了。但当你遇到「不可观测混杂」这个老大难问题时，别忘了还有这个工具。我在保险科技项目中，偶尔会用前门准则来处理「渠道偏好」这类难以量化的变量。
2.4 本章小结
这一章我们聊了三块内容：
- DAG基础：节点、有向边、无环性。这是因果推断的「地图」。
- d-分离与条件独立性：三种基本结构（链式、叉式、对撞式），以及如何判断变量间的独立性。这是因果推断的「交通规则」。
- 后门准则与前门准则：两个最实用的因果识别策略。后门准则处理可观测混杂，前门准则处理不可观测混杂。这是因果推断的「导航工具」。
说实话，这些概念刚接触时确实有点抽象。但你在实际项目中用几次，就会发现它们其实很直观。我每次做因果分析，第一步永远是画DAG。画完图，哪些变量该控制、哪些不该控制，一目了然。
下一章，我们会把这些工具真正用起来——用Python实现因果效应估计。到时候，你会看到DAG和d-分离是如何在代码中落地的。
公众号:蓝海资料掘金营，微信deep3321