因果推理：揭示变量间隐秘关系的五大框架

写在开头

因果推断在科学研究和政策制定中至关重要。通过因果推断，我们不仅能够理解现象之间的关联，还能揭示一个变量对另一个变量的实际影响。例如，在医学研究中，了解某种药物是否真正有效至关重要；在社会科学中，评估一项政策的真实效果能够帮助决策者做出更明智的选择。

什么是因果推断？ 因果推断的基本概念包括识别因果关系、区分因果关系与相关关系，以及建立可靠的推断方法。因果关系是指一个事件（原因）直接导致另一个事件（结果）的情况，而相关关系仅表示两个事件同时发生，并不意味着因果关系。

本文旨在介绍主要的因果推断理论框架，包括因果图模型、反事实框架、潜变量模型、结构因果模型和干预分析框架。通过探讨这些框架在不同研究领域中的应用，我们将更好地理解其优势和局限性，并提供具体实例以便读者更好地掌握这些方法的实际操作。

1.因果图模型（Causal Diagrams）

1.1 基本概念

因果图模型使用有向无环图（DAGs）来表示变量之间的因果关系。DAGs中，节点代表变量，箭头表示因果影响。通过DAGs，我们可以直观地理解系统中各个变量之间的因果结构。

示例：