《因果推理原理：基础与学习算法》第三章 因-果模型

本章将因果关系的一些基本概念公式化，适用于因果模型只包含两个变量的情况。假设这两个变量不是无关紧要的，并且它们的依赖关系不仅仅是由于一个共同的原因，这就构成了一个因果模型。我们简要介绍SCMs、干预措施和反事实。所有这些概念都是在多元因果模型的背景下再次定义的(第六章)，我们希望在两个变量中首先遇到这些概念会使这些概念更容易理解。

结构化因果律模型

SCMs是将因果关系和概率关系联系起来的重要工具。
定义3.1 (结构因果模型)SCM C与graph 'C->E’由两个赋值公式组成：
$$\begin{gathered} C:=N_C;(3.1) \\ E:=f_E(C;N_E);(3.2) \end{gathered}$$
where NE is independent of NC。

在这个模型中，我们称随机变量C为原因，E为结果。此外，我们称C为E的直接原因，我们还指"C->E"是一个因果图。当我们讨论干预措施时，希望这个符号能澄清并符合读者的直觉，例如在例3。2中。
如果我们同时给定函数fE和噪声分布PNC和PNE，我们可以从这样的模型中取样数据如下:先采样NC、NE，然后评估(3.1)，然后是(3.2)。因此，SCM需要一个C和E的联合分布(正式证明见建议6.3)。

干预

正如第1.4.2节所讨论的，我们通常对系统在干预下的行为感兴趣。干预系统诱导出另一种分布，这种分布通常不同于观测分布。如果任何一种干预可以导致系统的任意改变，那么这两个分布（）就变得不相关了，我们可以把它们看作两个独立的系统，而不是共同研究这两个系统。

反事实

SCM标准化表示

这本书下面的概念部分对小白不是很好，但是算法部分有自己的理解，但是我就是想学个概念，换书先