更改

Patrick Suppes在1970年的著作<ref name=suppes_1970>{{cite book |last1=Suppes |first1=Patrick |title=A Probabilistic Theory of Causality |publisher=North-Holland Publishing Company |year=1970 |location=Amsterdam}}</ref>中首次将概率引入因果分析，提出如果变量X是变量Y的原因须满足X先于Y（时序性）和X能提升Y发生的概率这两个条件。Suppes的框架为后续研究奠定了基础，但未严格区分关联与因果。Eells 在1991年的著作<ref name=eells_1991>{{cite book |last1=Eells |first1=Ellery |title=Probabilistic Causality |publisher=Cambridge University Press |year=1991 |location=Cambridge}}</ref>系统论证了因果关系的概率本质，强调因果解释需结合具体情境（Contextualization），需控制混杂变量。朱迪亚・珀尔通过结构因果模型（SCM）和[[Do演算]]将概率方法形式化<ref name=pearl_2009>{{cite book |last1=Pearl |first1=Judea |title=Causality: Models, Reasoning, and Inference |publisher=Cambridge University Press |year=2009 |location=Cambridge}}</ref>，解决了混杂偏倚问题。

Patrick Suppes在1970年的著作<ref name=suppes_1970>{{cite book |last1=Suppes |first1=Patrick |title=A Probabilistic Theory of Causality |publisher=North-Holland Publishing Company |year=1970 |location=Amsterdam}}</ref>中首次将概率引入因果分析，提出如果变量X是变量Y的原因须满足X先于Y（时序性）和X能提升Y发生的概率这两个条件。Suppes的框架为后续研究奠定了基础，但未严格区分关联与因果。Eells 在1991年的著作<ref name=eells_1991>{{cite book |last1=Eells |first1=Ellery |title=Probabilistic Causality |publisher=Cambridge University Press |year=1991 |location=Cambridge}}</ref>系统论证了因果关系的概率本质，强调因果解释需结合具体情境（Contextualization），需控制混杂变量。朱迪亚・珀尔通过结构因果模型（SCM）和[[Do演算]]将概率方法形式化<ref name=pearl_2009>{{cite book |last1=Pearl |first1=Judea |title=Causality: Models, Reasoning, and Inference |publisher=Cambridge University Press |year=2009 |location=Cambridge}}</ref>，解决了混杂偏倚问题。

21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的[[互信息]]来量化因果效应。到了2013年，Giulio Tononi的学生Erik Hoel等人将有效信息这个概念进一步提炼出来，用来度量马尔科夫动力学的因果效应强度，并提出了[[因果涌现]]理论<ref name=hoel_2013>{{cite journal|last1=Hoel|first1=Erik P.|last2=Albantakis|first2=L.|last3=Tononi|first3=G.|title=Quantifying causal emergence shows that macro can beat micro|journal=Proceedings of the National Academy of Sciences|volume=110|issue=49|page=19790–19795|year=2013|url=https://doi.org/10.1073/pnas.1314922110}}</ref>。

21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>，这一方法继承了SCM对干预的重视，它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的[[互信息]]来量化因果效应。到了2013年，Giulio Tononi的学生Erik Hoel等人将有效信息这个概念进一步提炼出来，用来度量马尔科夫动力学的因果效应强度，并提出了[[因果涌现]]理论<ref name=hoel_2013>{{cite journal|last1=Hoel|first1=Erik P.|last2=Albantakis|first2=L.|last3=Tononi|first3=G.|title=Quantifying causal emergence shows that macro can beat micro|journal=Proceedings of the National Academy of Sciences|volume=110|issue=49|page=19790–19795|year=2013|url=https://doi.org/10.1073/pnas.1314922110}}</ref>。

== 前提假设 ==

== 前提假设 ==