316
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： + + + + + + + + + 第89行：
第98行： + + + + + + +
无编辑摘要
此词条暂由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校，未经专家审核，带来阅读不便，请见谅。
此词条暂由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校，未经专家审核，带来阅读不便，请见谅。
== 来源 ==
干预是因果关系之梯的第二层级，在因果之梯第一层，即便是“以某个变量为条件（conditioning on）”的操作，也只是依据现有观测到的数据进行统计，并没有改变数据的分布。
在实际应用中，干预也非常重要。比如，当我们对一种新的抗癌药物进行研究时，我们试图确定当我们对病人进行药物干预时，病人的病情如何变化。当我们研究暴力电视节目和儿童的攻击行为之间的关系时，我们希望知道，干预减少儿童接触暴力电视节目是否会减少他们的攻击性。
干预（intervention）和以变量为条件（conditioning on）有着本质的区别。当我们在模型中对一个变量进行干预时，我们将固定这个变量的值。其他变量的值也随之改变。当我们以一个变量为条件时，我们什么也不会改变；我们只是将关注的范围缩小到样本的子集，选取其中我们感兴趣的变量的值。因此，以变量为条件改变的是我们看世界的角度，而干预则改变了世界本身。
当我们进行干预以确定一个变量的值时，我们就限制了该变量随其他自然变量而变化的自然趋势。在图模型中，干预的操作将删除所有指向该变量的边。
== 查询 ==
== 查询 ==
[[文件:Image5.png]]
[[文件:Image5.png]]
== 实例 ==
以图1为例，如果我们要进行干预以降低冰激凌销量（比如，关闭所有冰激凌店)，那么我们就去掉所有指向冰激凌销量 的边，并得到如图2所示的图模型。当我们在这个新的图模型中检验相关性时，我们发现犯罪率当然是与冰激凌销量完全独立的，因为冰激凌销量已经与天气温度无关了。换句话说，即使我们将 的值调整为另一个不变的值，这种变化也不会传递给可变的犯罪率 。我们看到，与以某个变量为条件不同，干预一个变量会导致一种完全不同的相关性关系，以某个变量为条件可以完全从数据中获得，但干预却会影响图模型结构的变化。
在符号的表达上，我们使用do算子来表达这种干预。比如，当我们固定Y的值为y时，我们用do（Y=y）来表示这种干预行为。所以P(Z=z|Y=y)表示当以Y=y为条件时Z=z的概率，而P(Z=z|do(Y=y))表示当我们干预Y的值使其为y时,Z=z的概率。从概率分布的角度来说， 表示的是在Y可取的所有值中， Y=y那部分样本对应的Z=z的概率，而P(Z=z|do(Y=y)) 表示的是将每一个样本的Y的值全部固定为y后Z=z的概率。这两者是完全不同的，干预改变了原始数据的分布，而以变量为条件不改变原始数据的分布。
[[文件:因果模型.png|左|缩略图|342x342像素|图1 干预前]]
[[文件:图1 干预模型.png|左|缩略图|344x344像素|图2 干预后]]