因果图模型与python验证

因果网络有三种基本类型或形式。

1.A→B→C。

这种接合形式是被称为“链”接合或中介接合的最简单的表现形式。一个熟悉的例子是“火灾→烟雾→警报”。虽然称这个系统为“火灾警报”，但实际上它应该叫烟雾报警。火灾本身并没有引起警报，所以这里也就没有从火灾直接指向警报的箭头。只有火灾向空气中释放的烟雾分子才会触发警报。

这个观察引出了关于链接合的一个重要概念点：中介物 B“屏蔽 ” （ screen off ）了从 A 到 C 的信息或从 C 到 A 的信息，即A与C本来是有相关关系的，但是如果控制了B，A与C的相关关系就消失了。

一个结论必须提出，否则可能引来疑惑，那就是： 把变量放进回归方程，就相当于控制了这个变量。下面以python代码说明。

##1、链式因果结构：x->y->z，生成过程即因果图
x = np.random.normal(10,2,100)
y = 1*x + np.random.normal(2,1,100)
z = 1*y + np.random.normal(2,1,100)

corr_coef = np.corrcoef(x, y)[0][1]
print("x corr y:",corr_coef)
corr_coef = np.corrcoef(y, z)[0][1]
print("y corr z:",corr_coef)
corr_coef = np.corrcoef(x, z)[0][1]
print("x corr z:",corr_coef)

data = {"x":x,"y":y,"z":z}
df = pd.DataFrame(data)

regressor = LinearRegression()

##1.1 z为因变量，建立多元回归模型。多元回归模型系数是偏相关系数，即控制了其他变量的相关系数
X=df[["x","y"]]
Y=df["z"]
regressor.fit(X,Y)

##1.1.1 第一个系数，x的系数含义为：控制y（保持y不变），x变动1个单位，z跟随变动的单位；
##1.1.2 第二个系数，y的系数含义为：控制x（保持x不变），y变动1个单位，z跟随变动的单位；
print("z为因变量，regressor.coef_:",regressor.coef_)

结果：

x corr y: 0.8951290027644204
y corr z: 0.9209725906720255
x corr z: 0.8110883398012639
z为因变量，regressor.coef_: [-0.08111816  1.0178386 ]

如果不控制y，x与z的相关系数为0.81。但当建立回归方程z = ax+by+c时（系数a相当于控制y后，x与z的相关系数，即偏相关系数，此时a为-0.08），显示x与z不相关。（严格来说应该看系数显著性，但样本量为100，-0.08可以认为不相关），即控制中介变量B，屏蔽了A与C之间的信息，阻断了A和C的相关性。

从干预的角度上讲，链式结构中调整A不如调整B对改变C来的直接，但也能起到作用。比如加大或减小火灾的程度，会（通过烟雾浓度）影响警报。

2.A←B→C。

这种接合形式被称为 “ 叉 ” 接合， B通常被视作A和C的共因（common cause）或混杂因子（confounder ）。混杂因子会使 A和C在统计学上发生关联，即使它们之间并没有直接的因果关系。一个经典的例子，“鞋的尺码←孩子的年龄→阅读能力”。穿较大码的鞋的孩子往往阅读能力较强。但这种关系是非因果的——给孩子穿大一号的鞋不会让他有更强的阅读能力！相反，这两个变量的变化都可以通过第三个变量，即孩子的年龄来解释。越年长的孩子鞋码越大，他们的阅读能力也越强。

python代码。

##1、叉式因果结构：x<-y->z，生成过程即因果图
y = np.random.normal(10,2,100)
z = 1*y + np.random.normal(2,1,100)
x = 1*y + np.random.normal(2,1,100)

corr_coef = np.corrcoef(x, y)[0][1]
print("x corr y:",corr_coef)
corr_coef = np.corrcoef(y, z)[0][1]
print("y corr z:",corr_coef)
corr_coef = np.corrcoef(x, z)[0][1]
print("x corr z:",corr_coef)

data = {"x":x,"y":y,"z":z}
df = pd.DataFrame(data)

regressor = LinearRegression()

##1.1 z为因变量，建立多元回归模型。多元回归模型系数是偏相关系数，即控制了其他变量的相关系数
X=df[["x","y"]]
Y=df["z"]
regressor.fit(X,Y)

##1.1.1 第一个系数，x的系数含义为：控制y（保持y不变），x变动1个单位，z跟随变动的单位；
##1.1.2 第二个系数，y的系数含义为：控制x（保持x不变），y变动1个单位，z跟随变动的单位；
print("z为因变量，regressor.coef_:",regressor.coef_)

结果：

x corr y: 0.9159864301361077
y corr z: 0.9035629672460023
x corr z: 0.8176188271277054
z为因变量，regressor.coef_: [-0.06251823  1.03257116]

如果不控制y，x与z的相关系数为0.81，但他们之间没有直接或间接的因果关系。当建立回归方程z = ax+by+c时（系数a相当于控制y后，x与z的相关系数，此时a为-0.06），显示x与z不相关，消除了x与z的假因果关系。即控制共因/混杂变量B，消除了A与C之间假因果和相关关系。在科学研究中，混杂和去混杂是一个很重要的话题。

3.A→B←C 。

这被称作 “ 对撞 ” （ collider）接合。一个典型的例子是才华→名人←美貌。在此，我们认定才华和美貌都有助于演员的成功，但对于一般人而言，美貌和才华完全不相关。

python代码。

##1、对撞因果结构：x->y<-z，生成过程即因果图
x = np.random.normal(10,2,100)
z = np.random.normal(10,2,100)
y = 1*z +1*x +  np.random.normal(2,1,100)

corr_coef = np.corrcoef(x, y)[0][1]
print("x corr y:",corr_coef)
corr_coef = np.corrcoef(y, z)[0][1]
print("y corr z:",corr_coef)
corr_coef = np.corrcoef(x, z)[0][1]
print("x corr z:",corr_coef)

data = {"x":x,"y":y,"z":z}
df = pd.DataFrame(data)

regressor = LinearRegression()

##1.1 z为因变量，建立多元回归模型。多元回归模型系数是偏相关系数，即控制了其他变量的相关系数
X=df[["x","y"]]
Y=df["z"]
regressor.fit(X,Y)

##1.1.1 第一个系数，x的系数含义为：控制y（保持y不变），x变动1个单位，z跟随变动的单位；
##1.1.2 第二个系数，y的系数含义为：控制x（保持x不变），y变动1个单位，z跟随变动的单位；
print("z为因变量，regressor.coef_:",regressor.coef_)

结果：

x corr y: 0.561852120831922
y corr z: 0.7588736406895573
x corr z: -0.031650685634159195
z为因变量，regressor.coef_: [-0.78856586  0.83925367]

如果不控制y，x与z的相关系数为-0.03，显示不相关。但当建立回归方程z = ax+by+c时（系数a相当于控制y后，x与z的相关系数，此时a为-0.78），显示x与z呈负相关，这也是典型的伪相关。这种负相关有时被称为对撞偏倚或“辩解”效应（explain-away effect）。

在一般的科学研究中，科研工作者倾向于控制所有能控制的变量，其实是不对的，遇到这种对撞结构的因果，应该做的是不控制。

4、相关和因果，预测和干预

 如果目的是预测，而不干预，鉴于因果发现的复杂性和专业性，其实相关也有很大的意义，也能带来比较精准的预测，前提是数据分布没有太大变化，因为假相关对数据分布敏感，特别不稳健（这也是为什么很多机器学习模型要配合数据分布监测的原因，因为机器学习模型学习的是相关）。

如果目的是分析原因，并进行干预，那就要特别注意这些因果结构的特点，需要有专业、有经验的人去识别因果关系，数据则只是起到验证模型的作用。如果能发现因果，那么因果模型是稳健的，也是对业务提升最高效的途径。

5、非线性

以上是基于线性关系对因果和相关做了分析和对比。从因果的角度，不管是线性还是非线性关系都是一样的，三种因果结构的性质也应该是一样的。