# 因果模型理论

> 【EN】Causal models are mathematical models representing causal relationships within an individual system or population. They facilitate inferences about causal relationships from statistical data. They can teach us a good deal about the epistemology of causation, and about the relationship between causation and probability. They have also been applied to topics of interest to philosophers, such as the logic of counterfactuals, decision theory, and the analysis of actual causation. 【中】词条先介绍基本工具：变量与逻辑语言、概率、图、结构化反事实，随后讨论实际因果的判断、马尔可夫条件、极小性与忠实性条件。读者会看到，用有向图加结构方程的形式，如何把谁是原因这类含糊问题变成可计算、可检验的问题。

- ID: m13163
- 分类: technical
- 领域: 科学方法论

## 定义

因果模型是用数学方式表示某个系统或总体内部因果关系的模型，它使我们能够从统计数据中推断因果关系，揭示因果性的认识论以及因果与概率之间的关系。它还被用于处理反事实的逻辑、决策理论和实际因果的分析等哲学议题。 脚手架作用：- 图形化变量：把系统画成有向图，暴露隐含的因果假设。 - 区分看与做：区分条件化与干预，别用观测数据回答干预问题。 - 检验模型：借图的分离与数据独立性比对，证伪错误箭头。

## 机制

因果模型在概率分布之外额外编码了若干预则如何的信息：结构方程描述每个变量如何由其他变量决定，干预则是对某个方程的替换而非单纯的条件化。马尔可夫条件把图中的分离关系与概率独立联系起来，使数据能检验模型；忠实性与极小性则约束模型的选取，避免任意添加箭头。

## 练习

1) 确定相关变量并画出有向图，标明谁可能影响谁；2) 为每条边配一个结构方程，写下变量间的函数关系；3) 用数据中表现出的独立与相关关系检验马尔可夫条件是否成立；4) 通过设定干预而非条件化，计算不同决策下的结果分布。

## 脚手架用法

- 图形化变量：把系统画成有向图，暴露隐含的因果假设。 - 区分看与做：区分条件化与干预，别用观测数据回答干预问题。 - 检验模型：借图的分离与数据独立性比对，证伪错误箭头。

[阅读网页](https://thinkingmodels.site/entries/detail/m13163)