2. 因果推断基础：潜在结果框架、干预与反事实、因果图模型(DAG)简介

在工程实战中，因果推断是区分“相关性”与“因果性”的核心工具。本章将系统梳理三大基础模块：潜在结果框架（定义因果效应的数学语言）、干预与反事实（因果推理的核心操作）以及因果图模型（DAG）（可视化因果假设的工程利器）。这些概念将直接服务于后续章节中“如何通过集成多样性增强因果特征预测的鲁棒性”。

2.1 潜在结果框架：因果效应的数学定义

潜在结果框架（Rubin Causal Model）为每个个体定义了在不同处理状态下的潜在结果。对于个体 \(i\)，设处理变量 \(T_i \in \{0,1\}\)（1 表示接受处理，0 表示未接受），则潜在结果为：

• \(Y_i(1)\)：个体 \(i\) 接受处理时的结果。
• \(Y_i(0)\)：个体 \(i\) 未接受处理时的结果。

核心挑战在于：每个个体只能观测到一种潜在结果（即实际发生的 \(Y_i = Y_i(T_i)\)），另一种是缺失的。这被称为“因果推断的基本问题”。

2.2 干预与反事实：从观察到推理

干预（Intervention） 与 反事实（Counterfactual） 是因果推理的两大支柱。干预是主动改变系统中某个变量的值（如 \(do(T=1)\)），而反事实则是追问“如果当时做了不同选择，结果会怎样？”

2.2.1 干预的 \(do\)-算子

在因果图中，干预 \(do(X=x)\) 意味着强制将变量 \(X\) 设为 \(x\)，并切断所有指向 \(X\) 的因果箭头。这不同于单纯的“给定 \(X=x\)”的条件概率。干预后的分布记为 \(P(Y \mid do(X=x))\)。

2.2.2 反事实推理的三步法

1. 外推（Abduction）：利用观测数据更新外生变量的后验分布。
2. 干预（Action）：根据反事实假设修改结构方程（如将 \(T\) 设为 0）。
3. 预测（Prediction）：基于修改后的模型计算结果 \(Y\) 的分布。

2.3 因果图模型（DAG）简介

有向无环图（DAG）是表达因果假设的直观语言。每个节点代表一个变量，每条有向边表示直接的因果关系。DAG 的核心价值在于：通过图结构识别出需要调整的混杂变量，从而无偏地估计因果效应。

2.3.1 DAG 的基本结构

• 链（Chain）：\(X \rightarrow Z \rightarrow Y\)。\(Z\) 是中介变量，控制 \(Z\) 会阻断路径。
• 叉（Fork）：\(X \leftarrow Z \rightarrow Y\)。\(Z\) 是混杂变量，必须控制 \(Z\) 才能识别 \(X\) 对 \(Y\) 的因果效应。
• 对撞（Collider）：\(X \rightarrow Z \leftarrow Y\)。\(Z\) 是对撞子，控制 \(Z\) 会打开路径（产生选择偏差）。

2.4 从 DAG 到工程实战：后门准则与前门准则

在工程中，我们通常需要从观测数据中估计因果效应。DAG 提供了两种经典识别策略：