更改

<math>\{Y(0), Y(1)\}\perp X|Z</math>

<math>\{Y(0), Y(1)\}\perp X|Z</math>

<math>\perp </math>表示独立，该公式称为可忽略性条件。再假设服药和不服药的两个组都不为空（即<math>P(X = 1)>0,P(X = 0)>0</math>），该假设称为正性假设，满是正性假设的可忽略性条件称为强可忽略性条件。在强可忽略条件成立的情况下，因果效应E(Y(1))-E(Y(0))是可以从观察数据中计算的，假设对于一个具体的病人，已经知道在服药的情况下可以痊愈那么希望知道若他不服药也能够痊愈的概率，即已知Y(1)=1，希望计算P(Y(0)=1)，这就是所谓的反事实推断。由于在现实世界中，对于一个个体，不可能同时观察到状态Y(0)和Y(1)，因此 Y(0)是假设的，这个假设状态所引起的Y的变化称为“潜在结果”，因此该方法有了“潜在结果方法”的名称。变量集合Z既影响X(服药与否)，又影响Y(痊愈与否)。现在固定Z(以Z为条件)，就切断了X与Y通过Z的关联，这时P(Y)只与服药与否有关联，而与服药人数比例(即X的分布)无关，在这个情况下，Y对于X的响应称为因果效应。

<math>\perp </math>表示独立，该公式称为可忽略性条件。再假设服药和不服药的两个组都不为空（即<math>P(X = 1)>0,P(X = 0)>0</math>），该假设称为正性假设，满是正性假设的可忽略性条件称为强可忽略性条件。在强可忽略条件成立的情况下，因果效应<math>E[Y(1)] - E[Y(0)]</math>是可以从观察数据中计算的，假设对于一个具体的病人，已经知道在服药的情况下可以痊愈那么希望知道若他不服药也能够痊愈的概率，即已知<math>Y(1)=1</math>，希望计算<math>P(Y(0)=1)</math>，这就是所谓的反事实推断。由于在现实世界中，对于一个个体，不可能同时观察到状态<math>Y(0)</math>和<math>Y(1)</math>，因此 <math>Y(0)</math>是假设的，这个假设状态所引起的<math>Y</math>的变化称为“潜在结果”，因此该方法有了“潜在结果方法”的名称。变量集合<math>Z</math>既影响<math>X</math>（服药与否），又影响<math>Y</math>（痊愈与否）。现在固定<math>Z</math>（以<math>Z</math>为条件），就切断了<math>X</math>与<math>Y</math>通过<math>Z</math>的关联，这时<math>P(Y)</math>只与服药与否有关联，而与服药人数比例（即<math>X</math>的分布）无关，在这个情况下，<math>Y</math>对于<math>X</math>的响应称为因果效应。

潜在结果理论揭示了一个原理，即在一组条件Z下，虽然Y(1)和Y(0)的分布依赖于其他变量的取值(例如身体健康水平、免疫能力、年龄等)，但与X的分布无关时，就认为X对于有因果效应。也就是说，不管服药人数是100人还是1000人，其服药人群的期望愈率E(Y(1))以及不服药人群的期望痊愈率E((0))都是不变的，在这种情况下，则断定因果效应成立。如果这个因果效应E(Y(1))-E(Y(0))在数值上超过设定的阈值p，则可看作两者之间具有因果关系，当前主要对于因果关系的识别或计算都明确地或隐含地采纳了这一准则。这也说明，因果效应是客观的，但是因果关系的判定依赖于主观标准。

潜在结果理论揭示了一个原理，即在一组条件<math>Z</math>下，虽然<math>Y(1)</math>和<math>Y(0)</math>的分布依赖于其他变量的取值（例如身体健康水平、免疫能力、年龄等），但与<math>X</math>的分布无关时，就认为<math>X</math>对于有因果效应。也就是说，不管服药人数是100人还是1000人，其服药人群的期望愈率<math>E[Y(1)]</math>以及不服药人群的期望痊愈率<math>E[Y(0)]</math>都是不变的，在这种情况下，则断定因果效应成立。如果这个因果效应<math>E[Y(1)] - E[Y(0)]</math>在数值上超过设定的阈值<math>p</math>，则可看作两者之间具有因果关系，当前主要对于因果关系的识别或计算都明确地或隐含地采纳了这一准则。这也说明，因果效应是客观的，但是因果关系的判定依赖于主观标准。

=== 结构因果模型 ===

=== 结构因果模型 ===