当谈到因果学习，就不得不谈到一部巨作——《Causal Inference in Statistics: A Primer》。该文章是所有因果 ML 研究的理论起点，作者Judea Pearl被誉为因果推理领域奠基人。内容是关于因果统计推断的核心讲义，也是因果学习的理论基石，核心围绕 **“从统计关联到因果因果，如何用数学和图形化方法实现因果推断”展开，厘清了传统统计与因果分析的本质区别，搭建了结构因果模型（SCM）的完整框架，并给出了因果推断、反事实推理、效应分解的核心方法。

一、核心背景：统计推断 vs 因果推断

        这是因果学习与传统机器学习与统计的本质分界，也是文档开篇的核心铺垫，解决了 “为什么传统统计无法做因果” 的问题。

        传统统计仅关注静态的联合分布，回答的是观察到 A 时，B 发生的概率是多少，核心是关联关系。 因果分析关注分布变化后的结果，即对变量进行干预（Intervention） 后，系统的响应是什么，回答的是如果我们做 X，Y 会发生什么，核心是因果关系 。

        传统统计的所有方法，如回归、倾向得分。都是关联分析工具，若要用于因果推断，必须结合因果假设，否则会得出错误结论，如相关性≠因果性。

二、因果学习的理论基础：结构因果模型

        这是 Judea Pearl 提出的因果学习核心框架，解决了 “如何形式化表示因果关系” 的问题，是所有因果推断、反事实推理的基础。

1. SCM 的定义

结构因果模型是一个四元组<V,U,F,P(u)>，是对现实世界因果机制的数学抽象：

• V：内生变量（可观察、可干预的变量，如价格、销量、治疗方案）；
• U：外生变量（隐变量、背景变量，如个体基因、未观测的混杂因素）；
• F：因果函数集；
• P(u)：外生变量的联合分布，决定了内生变量的观测分布。

2. SCM 的核心：干预操作do(X=x)

因果学习的核心操作是干预，文档给出了do- 算子的严格定义：

对变量X进行干预do(X=x)，意味着将 SCM 中所有决定X的因果函数替换为常数x，得到一个 “残缺模型”Mx​，此时系统的联合分布变为干预后的分布P(⋅∣do(x))。

• 本质：干预打破了X与其父节点的因果关系，模拟 “主动操作” 的场景，这是与 “条件观察” 的根本区别。

3. SCM 与因果图（Causal Graph）的对应

SCM 中的因果函数F可以自然转化为有向无环图（DAG），节点为变量V，边为直接因果关系X→Y，表示X是Y的父节点。

• 价值：将抽象的因果函数转化为可视化的图形结构，为后续的混杂判断、识别准则（如后门准则）提供了直观的工具，是因果学习中图形化方法的基础。

三、因果学习的核心能力：反事实推理

        反事实推理是因果学习区别于传统统计的核心高阶能力，文档将反事实与 SCM 深度绑定，解决了 “如何回答‘如果当初不一样，结果会如何’” 的问题，也是因果归因、法律责任判定的基础。

对于句子“若 X 为 x，那么 Y 会为 y”，记为Yx​(u)=y，其严格定义为：在残缺模型Mx​，对X干预为x中，输入外生变量U=u，求解Y的结果为y。

• 核心：反事实的真值由 SCM 的因果机制决定，而非观测数据，观测数据仅用于估计 SCM 的参数。

四、因果学习的核心步骤：因果分析五步法

        通用的因果分析五步法，这是因果学习从问题定义到结果估计的标准化流程，适用于所有因果推断任务，如平均处理效应、直接或间接效应、动态政策分析等，是因果学习的工程化指导。

步骤 1：定义

将目标因果量Q表示为 SCM 的属性，即明确要估计的因果查询。

步骤 2：假设（Assume）

用因果图或结构方程形式化表达因果假设，这是因果学习的核心前提。

• 因果假设必须基于领域知识（如 “吸烟→焦油沉积→癌症”，而非随机画因果图），且需明确表述。

步骤 3：识别（Identify）

判断目标因果量Q是否可识别，即能否将Q转化为仅由观测分布P表示的表达式。

• 可识别是因果推断的必要条件，文档给出了核心的识别准则（如后门准则），是因果学习的核心理论环节。

步骤 4：估计（Estimate）

若因果量可识别，用观测数据估计转化后的统计表达式；若不可识别，则做近似估计，如部分识别，给出上下界。

• 此步骤可结合传统统计或机器学习方法，如回归、随机森林、倾向得分，是因果学习与传统方法的结合点。

步骤 5：检验（Test）

检验因果假设的可检验蕴涵，即判断观测数据是否与因果假设矛盾；若矛盾，修正因果假设并重复上述步骤。

• 例：若因果图假设X与Y无直接边，那么观测数据中X与Y在控制父节点后应独立，若不独立则假设不成立。