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