更改

不难看出，尽管EI本质上就是[[互信息]]，但是与传统[[信息论]]中的[[互信息]]不同，有效信息EI在定义中包含了[[do操作]]，即对输入变量做了一个[[干预操作]]。为什么要引入这一操作呢？

不难看出，尽管EI本质上就是[[互信息]]，但是与传统[[信息论]]中的[[互信息]]不同，有效信息EI在定义中包含了[[do操作]]，即对输入变量做了一个[[干预操作]]。为什么要引入这一操作呢？

根据[[Judea Pearl]]的[[因果阶梯理论]]<ref name=pearl_causality>，即变量之间的因果联系可以被划分为三种层次：关联-[[干预]]-[[反事实]]。阶梯层级越高，因果特征越明显。直接对观测数据估测[[互信息]]，便是在度量关联程度；而如果我们能对变量做[[干预]]操作，即设定变量为某个值或服从某个分布，便上升到了干预的层级。在EI的定义中引入了[math]do[/math]操作，则使得EI能够比[[互信息]]更能体现因果特征。

根据[[Judea Pearl]]的[[因果阶梯理论]]<ref name=pearl_causality />，即变量之间的因果联系可以被划分为三种层次：关联-[[干预]]-[[反事实]]。阶梯层级越高，因果特征越明显。直接对观测数据估测[[互信息]]，便是在度量关联程度；而如果我们能对变量做[[干预]]操作，即设定变量为某个值或服从某个分布，便上升到了干预的层级。在EI的定义中引入了[math]do[/math]操作，则使得EI能够比[[互信息]]更能体现因果特征。

而从实际意义上来讲，在EI的计算中引入[[do算子]]，则可以把数据和动力学分开，从而消除数据分布（即[math]X[/math]的分布）对EI度量所带来的影响。事实上，在一般的[[因果图]]上，[[do算子]]是一种消除指向被干预变量所有的因果箭头的操作，这种操作可以避免[[混杂因子]]造成的[[虚假关联]]。因此，EI定义中的[[do算子]]也可以消除所有指向因变量[math]X[/math]的因果箭头，包括其它变量（包括不可观测的变量）对[math]X[/math]的影响，从而使得EI更能够刻画动力学本身的特性。

而从实际意义上来讲，在EI的计算中引入[[do算子]]，则可以把数据和动力学分开，从而消除数据分布（即[math]X[/math]的分布）对EI度量所带来的影响。事实上，在一般的[[因果图]]上，[[do算子]]是一种消除指向被干预变量所有的因果箭头的操作，这种操作可以避免[[混杂因子]]造成的[[虚假关联]]。因此，EI定义中的[[do算子]]也可以消除所有指向因变量[math]X[/math]的因果箭头，包括其它变量（包括不可观测的变量）对[math]X[/math]的影响，从而使得EI更能够刻画动力学本身的特性。