12、因果推断：从理论到实践的全面指南

因果推断：从理论到实践的全面指南

1. 因果效应估计与前门准则

在因果分析中，我们常常需要估计变量之间的因果效应。以GPS使用对空间记忆的影响为例，我们可以通过前门准则来进行估计。具体步骤如下：
- 首先，我们有两个线性回归模型。通过计算 lr_zx.coef_[0] * lr_yxz.coef_[1] ，即取第一个模型（关于GPS使用）的第0个系数和第二个模型（在给定GPU使用情况下，海马体体积对空间记忆的影响）的第1个系数相乘，得到因果效应的估计值为 -0.43713599902679。
- 实际上，在一个完整的线性结构因果模型（SCM）中，真正的因果效应等于从​X  →  Z​和​Z  →  Y​因果路径上系数的乘积。在我们的例子中，GPS使用对空间记忆的真实因果效应为 -0.6 * 0.7 = -0.42。
- 对比发现，前门调整估计和实验估计都与真实值相当接近（误差分别约为4%和小于1%），而简单估计的误差则超过了22%。这显示了前门准则在因果效应估计中的有效性。

前门准则的工作需要满足三个条件和一个额外假设，我们可以从基本原理推导出调整公式。通过构建SCM并生成观测和干预分布，前门准则能够准确地从观测数据中近似实验结果。

2. 因果推断的其他准则：do - 演算

并非所有的因果图都能使用后门或前门准则。幸运的是，后门和前门准则是更通用的do - 演算框架的特殊情况。do - 演算已被证明是完备的，这意味着如果在给定的有向无环图（DAG）​G​中存在可识别的因果效应，就可以使用do - 演算的规则找到它。

2.1 do - 演算的符号定义

在介