因果推理（四）：因果模型

因果模型对于因果量的确定是很重要的。在前面的学习中，我们将“确定”（identification）描述为将因果估计转换为统计估计的过程。确定-估计（Identification-Estimation）的流程如下图：

1. Do-算子和干预（interventional）分布

首先需要区别给定条件（condition）和干预（intervention）的概念。给定条件T=t的意思是我们只看在总体中treatment为t的子集；而intervention的意思是将总体中左右个体的treatment设为t。我们用do-算子表示intervention：$do(T=t)$。这是图形因果模型中常用的表示法，并且在潜在结果表示法中具有相同的表示法。例如，可以将第二讲中的潜在结果表示为：

$P(Y(t)=y)=P(Y=y|do(T=t))=P(y|do(t))$

在上式中将$do(T=t)$简写为$do(t)$。此外，全概率可表示为$Y|do(t)$。通常将$P(Y|do(T=t))$的形式叫做interventional distributions。

需要注意形如$P(Y|do(T=t))$的干预性分布（interventional distribution）和形如$P(Y)$的观察分布（observational distribution）的区别。观察分布不带do算子，是不需要任何实验和干预就可以得到的变量分布。如果可以将带do算子的表达式（干预性表达式）转换为不带do算子的表达式（观察行表达式），就说这个表达式是可识别的（identifiable）。通常，将包含do算子的估计称为因果估计，将不包含do算子的估计称为统计估计。

带do算子的表达式中的所有变量都处于一个干预后的世界。（这里14节细讲）

2. 模块化假设（modularity）

在介绍模块化假设之前，需要先介绍因果机制（causal mechanism）的概念。可以将产生$X_i$的因果机制理解为给定$X_i$的所有原因的$X_i$的条件概率分布：$P(x_i|p{a}_i)$。如下图所示，生成$X_i$的因果机制由$X_i$的所有父节点和指向$X_i$的所有边组成。

为了获得许多因果识别结果，我们将做出的主要假设是干预（iinterventions）是局部的。 更具体地说，我们假设对变量$X_i$的干预只会改变$X_i$的因果机制。 它不会改变产生任何其他变量的因果机制。 从这个意义上说，因果机制是模块化的。

模块化（modularity）假设：如果对节点集合$S\subseteq [n]$进行干预，将它们设为常量，那么对于每一个i，有：
（1）如果$i\notin S$，那么$P\left(x_i\mid {\mathrm{p}\mathrm{a}}_i\right)$保持不变。
（2）如果$i\in S$，那么当