2. 因果图模型入门：DAG（有向无环图）与结构因果模型

好，我们直接进入正题。

因果推断这件事，说白了就是搞清楚「谁导致了谁」。但在广告投放里，变量之间的关系太复杂了。用户点击广告，是因为广告创意好？还是因为用户本身就有购买意向？还是因为推荐算法恰好把他推到了那个位置？

你想想看，如果没有一个清晰的框架，我们很容易把相关性当成因果。我在项目中就吃过这个亏——有一次优化出价策略，发现出价越高转化率反而越低，差点就得出「降价能提升转化」的结论。后来画了因果图才发现，出价高是因为竞争激烈，竞争激烈时用户质量本来就差。嗯，这里要注意，相关性不等于因果性。

2.1 什么是DAG？

DAG，全称是Directed Acyclic Graph，中文叫有向无环图。名字听着吓人，其实很简单：

• 有向：每条边都有方向，表示因果关系的流向。比如 A → B，意思是 A 导致 B。
• 无环：不能有循环。你不能从 A 到 B，再从 B 回到 A。因果不能倒流。

我习惯把 DAG 想象成一张「因果地图」。每个节点是一个变量，每条箭头是一个因果假设。你画出来的图，就是你脑子里对这个世界因果关系的理解。

2.2 DAG 的三个基本结构

要理解 DAG，你得先掌握三种基本结构。我当年学的时候，就是靠这三个结构打通了任督二脉。

2.2.1 链式结构（Chain）

A → B → C。A 影响 B，B 影响 C。比如：广告曝光 → 用户点击 → 购买转化。如果你控制了 B（点击），A 和 C 就独立了。这叫「阻断路径」。

2.2.2 叉式结构（Fork）

A ← B → C。B 是 A 和 C 的共同原因。比如：用户收入 → 广告点击率，用户收入 → 购买力。如果你不控制 B，A 和 C 看起来是相关的，但这是假相关。控制 B 之后，A 和 C 就独立了。

2.2.3 对撞结构（Collider）

A → B ← C。B 是 A 和 C 的共同结果。比如：广告创意好 → 用户点击，用户需求强 → 用户点击。如果你不控制 B，A 和 C 是独立的。但如果你控制了 B（比如只看点击过的用户），A 和 C 反而会产生虚假的负相关。这就是著名的「伯克森悖论」。

我建议你记住一句话：控制中间变量要小心，控制对撞变量会引入偏差。

2.3 结构因果模型（SCM）

DAG 是骨架，SCM 是血肉。结构因果模型（Structural Causal Model）由 Judea Pearl 提出，它把 DAG 中的每个因果关系用数学方程表达出来。

举个例子：

// 结构方程
X = f_X(U_X)          // 广告曝光，由外部因素决定
Y = f_Y(X, U_Y)       // 用户点击，由曝光和外部因素决定
Z = f_Z(Y, U_Z)       // 购买转化，由点击和外部因素决定

这里的 U_X、U_Y、U_Z 是外生变量（未观测到的噪声）。每个方程都表示一个因果机制。你想想看，如果我们能知道这些方程的具体形式，就能回答「如果我把曝光提高10%，点击会变化多少？」这样的反事实问题。

2.4 用 DAG 识别混淆变量

在广告投放中，最常见的因果推断陷阱就是混淆变量。混淆变量同时影响「干预」和「结果」，导致我们误判因果效应。

比如：你想评估「增加广告预算」对「转化率」的影响。但预算增加往往伴随着「促销活动」的增加。促销活动本身就会提升转化率。如果你不控制促销活动这个混淆变量，你会高估预算的效果。

用 DAG 表示就是：

促销活动 → 广告预算
促销活动 → 转化率
广告预算 → 转化率

这里促销活动就是混淆变量。要得到无偏的因果效应，你必须控制它。

2.5 本章知识体系

下面这张图是我自己画的，帮你理清本章的核心逻辑：

2.6 小结

这一章我们讲了三个东西：

• DAG：因果关系的可视化骨架，记住链式、叉式、对撞三种结构
• SCM：把 DAG 变成数学方程，让因果推断可计算
• 混淆变量：广告投放中最常见的因果陷阱，用 DAG 可以轻松识别

我个人觉得，DAG 最大的价值不是画图本身，而是逼你思考「我到底相信什么样的因果结构」。这个思考过程，比任何算法都重要。