3、因果特征工程基础：相关性 vs 因果性、因果图、干预与反事实

在间歇需求预测中，传统特征工程往往依赖相关性分析来筛选特征。然而，相关性并不等同于因果性。本章将建立因果特征工程的基础，帮助你在构建预测模型时，区分真正的因果驱动因素与纯粹的统计关联，从而提升模型在策略变化或环境扰动下的鲁棒性。

3.1 相关性 vs 因果性：核心差异

相关性描述两个变量之间的统计关联趋势，而因果性描述一个变量直接导致另一个变量变化的机制。在供应链场景中，混淆这一区别会导致错误的特征选择与策略误判。

3.2 因果图：构建因果结构假设

因果图（Causal Graph）是有向无环图（DAG），节点代表变量，有向边代表直接的因果方向。它是因果特征工程的第一步，用于显式表达你对业务系统的因果假设。

3.3 干预：从观察到行动

干预（Intervention）是因果推断的核心操作。在因果图中，干预一个变量意味着强制设定其值，并切断所有指向该变量的入边。这模拟了你在供应链中主动改变某个策略（如调整补货参数）的效果。

• 观察（Observation）： 被动记录数据，变量间保持自然关联。例如，记录促销期间的销量数据。
• 干预（Intervention）： 主动改变变量取值，切断混淆路径。例如，随机选择部分门店执行促销，其他门店不执行，以消除季节因素的混淆。
• do-operator： 在因果图中，干预用 do(X=x) 表示，意味着强制将变量 X 设为 x，并删除所有指向 X 的边。

3.4 反事实：假设性推理

反事实（Counterfactual）回答“如果当时采取了不同的行动，结果会怎样？”的问题。它是因果推理的最高层级，在供应链策略评估中具有极高的实用价值。

反事实推理需要结构因果模型（SCM）的支持，该模型包含：

1. 因果图： 变量间的结构关系。
2. 结构方程： 每个变量如何由其父节点和噪声项决定。
3. 噪声分布： 不可观测的随机因素。

3.5 因果特征工程在间歇需求中的实践框架

将上述概念整合为可操作的工程步骤：

1. 绘制因果图： 与业务专家协作，识别需求、库存、促销、价格、季节、外部指标之间的因果假设。
2. 识别混淆因子： 找出同时影响特征和目标的变量（如季节同时影响促销和需求），这些是需要控制的变量。
3. 选择特征集： 基于因果图，选择满足后门准则或前门准则的特征，避免引入碰撞因子或过度控制中介变量。
4. 构建干预特征： 对于可干预的特征（如促销力度、补货参数），显式建模其干预效果，而非仅使用观察值。
5. 反事实验证： 在历史数据上构造反事实场景，验证因果假设的合理性，评估特征对预测的稳定贡献。