我们马上记住本站网址,www.wuxianliuxs.cc,若被浏/览/器/转/码,可退出转/码继续阅读,感谢支持.
2.4 结构因果模型（Scm）
2.4.1 基本定义[5][11]
这是一种基于因果图（casual graph），构建各类因子间因果关系的方法。该方法可以将因果图转为结构化等式（structural equations），并通过do算子干预因果图，打破混淆因子干扰，完成因果发现。
那什么是因果图呢，这是一个有向无环图（dAG），节点表示因子，有向边表示因果关系和大小。如下图(a)是Scm的一个示例。其中t为treatment（即要分析的“因”），y是目标，x是混淆因子。显然，x的存在干扰了分析t对y的影响，作者提出通过do算子去除混淆因子x对treatment的影响，这也是Scm做因果分析的关键。
那具体是怎么实现的呢？我们需要先了解因果图里的经典结构
2.4.2 网络结构与前后门准则[11][12]
三种经典的图结构
当我们分析x和Y的因果关系时，如果存在其他变量Z，则它们的关系不外乎以下三种图结构。
链式（a）：x -＞ Z -＞ Y。有 且
叉式（b）：x ＜- Z -＞ Y。同链式有 且
V式（c）：x -＞ Z ＜- Y。有 且
那么针对这三种图结构，如何输出x变化对Y的影响呢？我们的重点是如何“过滤”变量Z对分析的干扰（这也是因果识别的目标）
2. 后门准则：该准则对应叉式的图结构
后门标准（后门准则）：如果变量集Z满足：1 不包含x的子孙节点；2 阻断了x到Y的所有后门路径。则称Z满足(x, Y)的后门准则
后门调整：基于后门路径，通过干预do算子消除混淆因子的影响，仅使用已知的数据分布，估计变量之间的因果效应
3. 前门准则：该准则对应链式结构