结构因果模型（SCM）：三要素、干预与do算子、因果效应的识别与计算

各位同学，今天我们聊一个硬核话题——结构因果模型。说实话，我在保险精算领域摸爬滚打这么多年，真正让我觉得「因果推断落地了」的，就是SCM这套框架。它不像传统统计模型只告诉你「相关」，而是直接告诉你「如果我把某个变量改了，结果会怎样」。

你想想看，在保险定价里，我们经常要回答这类问题：如果给所有高风险客户都装上车载监控，事故率能降多少？如果强制要求投保人做健康体检，理赔成本会怎么变？这些问题，用传统回归是回答不了的。但SCM可以。

SCM三要素：因果图、结构方程、外生变量

结构因果模型由三部分组成，缺一不可。我习惯把它们比作一个「因果引擎」的三个齿轮。

• 因果图（DAG）：有向无环图，节点是变量，箭头表示因果关系。比如「驾龄 → 事故次数」，箭头方向就是因果方向。
• 结构方程：每个内生变量都有一个方程，描述它如何被父节点和外生变量决定。比如：事故次数 = f(驾龄, 驾驶习惯, 随机误差)。
• 外生变量：不受模型内其他变量影响的变量，通常包含随机扰动项。说白了，就是「老天爷决定的」那部分。

我在做车险定价项目时遇到过一个问题：直接用历史数据回归，发现「驾龄越长，事故越少」。但这是因果吗？不一定。因为驾龄长的人可能本身就更谨慎，或者开的车更安全。SCM帮我把这些混淆因素显式地画出来，然后才能做真正的因果推断。

干预与do算子：从「看到」到「做到」

传统统计学的条件概率 P(Y|X=x) 回答的是「看到X等于x时，Y的分布」。而因果推断关心的是 P(Y|do(X=x))，即「强制把X设为x时，Y的分布」。这两者天差地别。

举个例子：P(事故 | 驾龄=1年) 是「我看到一个驾龄1年的人，他出事故的概率」。而 P(事故 | do(驾龄=1年)) 是「我把所有人的驾龄都强制改成1年，事故率会变成多少」。前者是观察，后者是干预。

do算子怎么计算？核心思想是：删除所有指向被干预变量的箭头，然后计算条件概率。为什么？因为干预切断了X和它的父节点之间的关联，X不再受其他因素影响了。

因果效应的识别与计算

识别因果效应，说白了就是回答一个问题：在给定因果图的情况下，能不能用观测数据估计出 P(Y|do(X=x))？

常用的识别策略有三种：

1. 后门准则：找到所有同时影响X和Y的混淆变量，把它们控制住。比如研究「驾驶培训 → 事故率」，需要控制「年龄」这个后门变量。
2. 前门准则：当存在中间变量M时，可以通过M来估计X对Y的效应。比如「药物 → 胆固醇 → 心脏病」，如果药物和心脏病之间有未观测的混淆，可以通过胆固醇这个前门来估计。
3. 工具变量：找一个只影响X、不影响Y（除了通过X）的变量Z。比如用「距离驾校的距离」作为工具变量，来估计「参加驾驶培训」对事故率的影响。

计算上，我常用的是调整公式：

P(Y|do(X=x)) = Σ_z P(Y|X=x, Z=z) * P(Z=z)

其中Z是满足后门准则的变量集合。这个公式看着简单，但实际应用时，Z的选择非常关键。选少了有混淆偏差，选多了可能引入碰撞偏差。

知识体系图：SCM核心逻辑

下面这张图是我自己梳理的SCM知识框架，帮你把三要素、干预、识别串起来：

一个实际案例：车险理赔成本归因

最后，我分享一个真实项目中的例子。某保险公司想评估「安装车载监控设备」对理赔成本的影响。直接比较安装和未安装的客户，结果发现安装组的理赔成本反而更高。为什么？因为安装设备的客户本身风险就高（自选择偏差）。

我们用SCM建模：

• X = 是否安装设备（1/0）
• Y = 理赔成本
• Z = 历史事故次数（混淆变量，同时影响X和Y）

因果图很简单：Z → X, Z → Y, X → Y。后门路径是 Z → X ← Y？不对，应该是 Z → X 和 Z → Y，所以Z是后门变量。我们用后门调整公式：

E[Y|do(X=1)] = Σ_z E[Y|X=1, Z=z] * P(Z=z)

算完之后，发现安装设备实际上降低了15%的理赔成本。这个结论和之前的朴素对比完全相反。你看，这就是因果推断的价值。

好了，SCM的核心内容就这些。记住三要素、do算子的含义、以及三种识别策略。下次遇到「如果...会怎样」的问题，先画个图，再决定用什么方法。