3、有向无环图(DAG)：图模型基础、d-分离、后门准则与前门准则

好，咱们进入因果推断最核心的视觉化工具——有向无环图，简称 DAG。说实话，我入行头两年做风控模型，根本不知道这玩意儿。那时候就是堆特征、调参数，模型效果上不去就加更多特征，结果就是一团乱麻。直到后来接触了因果图，才明白什么叫「结构决定功能」。

3.1 图模型基础：为什么是 DAG？

DAG 说白了就是一张图，里面全是箭头，而且不能有环。箭头从原因指向结果，比如「收入 → 逾期概率」。为什么不能有环？你想想看，如果 A 导致 B，B 又导致 A，那到底谁先谁后？因果推断最讲究时间顺序，有环就乱套了。

我个人习惯把 DAG 当作「因果假设的说明书」。你在建模前，先把所有变量之间的因果关系画出来，后面所有分析都基于这张图。我在项目中遇到过最典型的例子：某次做信贷评分卡，业务方坚持要加入「客户投诉次数」这个特征。我画了个 DAG，发现投诉次数其实是「服务体验差」的结果，而服务体验差又和「收入低」相关。如果直接加进去，反而会引入混杂偏倚。

画 DAG 有几个基本规则：

• 节点：每个变量一个节点，可以是可观测的（如年龄、收入），也可以是潜变量（如信用意识）。
• 边：有向边 A → B 表示 A 是 B 的直接原因。
• 路径：沿着箭头方向走，叫有向路径；逆着箭头走，叫后门路径。
• 碰撞点：两个箭头同时指向同一个节点，这个节点就是碰撞点。比如 X → Z ← Y，Z 就是碰撞点。

嗯，这里要注意：碰撞点是个坑。很多初学者以为两个变量都指向同一个节点，那它们肯定相关。其实恰恰相反——在没有控制 Z 的情况下，X 和 Y 是独立的。但一旦你控制了 Z，X 和 Y 反而会产生虚假相关。这个现象我后面会细说。

3.2 d-分离：判断条件独立的利器

d-分离，全称是「有向分离」。它用来判断：给定一组变量 Z，两个变量 X 和 Y 是否条件独立。说白了，就是看 Z 能不能阻断 X 和 Y 之间的所有路径。

判断规则其实就三条：

1. 链式路径：X → Z → Y。如果控制了 Z，路径被阻断。X 和 Y 条件独立。
2. 叉式路径：X ← Z → Y。同样，控制了 Z，路径被阻断。
3. 碰撞点路径：X → Z ← Y。这里反直觉——不控制 Z 时，路径自然阻断；一旦控制了 Z，路径反而通了。

我曾经在风控项目中踩过这个坑。当时分析「学历」和「逾期率」的关系，发现两者在数据上显著相关。但画了 DAG 后发现，它们之间有个碰撞点「收入水平」。学历和逾期率都指向收入，但彼此独立。我一开始没控制收入，结果看到的是虚假相关。后来控制了收入，学历和逾期率的相关性就消失了。

d-分离的实用价值在于：你可以用它来找出哪些变量需要控制，哪些不能控制。比如你想估计「利率 → 逾期率」的因果效应，就需要找到所有阻断后门路径的变量集合。

3.3 后门准则：如何消除混杂偏倚？

后门准则，是我在风控建模中最常用的工具。它的核心思想是：要估计 X 对 Y 的因果效应，需要控制所有从 X 到 Y 的后门路径上的变量。

什么叫后门路径？就是那些从 X 出发，逆着箭头走，最终到达 Y 的路径。这些路径上往往藏着混杂变量。比如「收入」既是「学历」的结果，又是「逾期率」的原因，那它就在学历和逾期率之间开了个后门。

后门准则的步骤很简单：

1. 画出 DAG，标出所有变量。
2. 找出所有从 X 到 Y 的后门路径。
3. 找到一组变量 Z，能阻断所有后门路径。
4. 控制 Z，然后估计 X 对 Y 的效应。

举个例子。假设我们要估计「信用卡额度 → 消费金额」的因果效应。后门路径可能是：额度 ← 收入 → 消费金额。这里收入就是混杂变量。控制收入后，额度对消费的效应就是干净的。

后门准则有个前提：你选择的控制变量 Z 不能是 X 的后代。换句话说，不能控制那些被 X 影响的变量。否则你会阻断因果路径的一部分，导致估计偏差。

3.4 前门准则：当后门走不通时

后门准则虽然好用，但有时候你找不到合适的控制变量。比如混杂变量不可观测，或者数据里没采集到。这时候前门准则就派上用场了。

前门准则的思路是：通过一个中间变量 M 来估计 X 对 Y 的效应。X 影响 M，M 影响 Y。只要我们能估计出 X → M 和 M → Y 的效应，就能间接算出 X → Y 的总效应。

前门准则需要满足三个条件：

• X 通过 M 影响 Y，没有其他路径。
• M 和 Y 之间没有未控制的混杂。
• X 和 M 之间没有未控制的混杂。

我在实际项目中用过一次前门准则。当时要评估「短信提醒次数 → 还款率」的因果效应。但有个潜变量「客户责任心」同时影响提醒次数和还款率，而且无法观测。后门走不通。后来我发现「客户打开 APP 次数」是个很好的中间变量。提醒次数影响打开次数，打开次数影响还款率。用前门准则，我成功估计出了因果效应。

前门准则的计算公式是：

P(Y|do(X=x)) = Σ_m P(M=m|X=x) * Σ_x' P(Y|X=x', M=m) * P(X=x')

看着复杂，其实逻辑很简单：先算 X 对 M 的效应，再算 M 对 Y 的效应，最后加权求和。

3.5 本章知识体系图

下面这张图总结了 DAG 的核心逻辑。我习惯把它当作因果推断的「地图」——先画图，再找路径，最后选准则。

3.6 实际应用中的避坑指南

最后，我分享几个实战中容易踩的坑：

• 别把相关当因果：DAG 只是你的假设，不是真理。画图前先和业务方确认因果关系是否合理。
• 小心遗漏变量：DAG 里漏掉一个关键混杂变量，整个分析就白做了。我习惯先列一个「所有可能变量」的清单，再逐步筛选。
• 别过度控制：控制太多变量，反而可能引入 M-bias（M型偏倚）。用 d-分离仔细检查每个控制变量是否必要。
• 前门准则慎用：前门准则对中间变量的要求很高，必须确保没有其他路径。我在项目中只用过一次，因为条件太苛刻。

好了，DAG 的基础就讲到这里。记住：图是工具，不是目的。关键是用它来理清因果结构，指导你的建模决策。下一章我们会聊更具体的因果效应估计方法，到时候这些图模型知识会派上大用场。

---

公众号:蓝海资料掘金营，微信deep3321