干预 - 版本历史

2022年6月12日 (日) 11:52 是趣木木呀

2022-06-12T11:52:20Z

我是猫：/* 干预实例 */

2022-06-12T02:13:26Z

干预实例

2022年6月12日 (日) 02:11 我是猫

2022-06-12T02:11:56Z

2022年6月11日 (六) 05:43 是趣木木呀

2022-06-11T05:43:59Z

2022年6月10日 (五) 16:43 是趣木木呀

2022-06-10T16:43:33Z

2022年6月10日 (五) 16:42 是趣木木呀

2022-06-10T16:42:54Z

2022年6月10日 (五) 15:32 是趣木木呀

2022-06-10T15:32:27Z

我是猫：/* 编者推荐 */

2022-06-10T13:41:23Z

编者推荐

我是猫：/* 编者推荐 */

2022-06-10T13:40:56Z

编者推荐

我是猫：/* 编者推荐 */

2022-06-10T13:40:04Z

编者推荐

@@ 第11行： / 第11行： @@
 由此，产生干预模型，通过do演算将因果关系从相关关系中分离出来。
-== 解决的问题<!-- 把牙膏例子补充完  --> ==
+== 解决的问题 ==
 干预是一种解决问题的方式，对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值，并观察结果。例如：如果我们将牙膏的价格提高一倍，那么人们购买牙线的概率将是多少？因果无法通过检验历史信息来确定，因为可能存在其他因素同时影响这两个变量，比如存在牙膏价格变化的其他原因，而且这种原因会影响牙线的价格（例如两种商品的关税增加）。
-数学上用[[文件:Q.png]]来表示这种概率，表示这种概率。其中do是一个算子，表示对谁做实验性干预（如价格翻倍）。从图形上看，这阻止了任何原本会影响该变量的因果因素。从图表上看，这清除了所有指向实验变量的因果箭头。对于一个复杂的问题，可以进行更复杂的查询，其中将 do 运算符(值是固定的)应用于多个变量。<!-- 说明do运算符与干预的关系和联系 -->
+数学上用[[文件:Q.png]]来表示这种概率，表示这种概率。其中do是一个算子，表示对谁做实验性干预（如价格翻倍）。从图形上看，这阻止了任何原本会影响该变量的因果因素。从图表上看，这清除了所有指向实验变量的因果箭头。对于一个复杂的问题，可以进行更复杂的查询，其中将 do 运算符(值是固定的)应用于多个变量。
 == 数学演算 ==
 在数学上，我们是通过do运算符也就是do算子表示对一个变量的干预，在计算干预的因果效应时，我们需要将含有do运算符的表达式，转化为可以计算的一般的概率表达式，这样的过程称为do演算。
@@ 第76行： / 第75行： @@
 ===== 拓展 =====
-这些规则并不意味着任何查询可以移除 do算子。有些情况下，将一个不能进行的操作换成另一个可以进行的操作也是有意义的。例如，我们在研究血胆固醇对心脏病地影响，由于血胆固醇含量是无法直接固定地，但是我们可以通过固定饮食摄入量来同等表示，这就是用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。<!-- 说明具体的这个胆固醇的例子 -->
+这些规则并不意味着任何查询可以移除 do算子。有些情况下，将一个不能进行的操作换成另一个可以进行的操作也是有意义的。例如，我们在研究血胆固醇对心脏病地影响，由于血胆固醇含量是无法直接固定地，但是我们可以通过固定饮食摄入量来同等表示，这就是用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。
 [[文件:Image5.png]]
@@ 第83行： / 第82行： @@
 [[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
-[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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，即使我们将冰淇淋销售量  <!-- 补充 有缺失 -->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。
+[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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，即使我们将冰淇淋销售量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<!-- 将这种关系在前文也阐述一下 -->。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。
+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。
 == 编者推荐 ==

@@ 第17行： / 第17行： @@
 == 数学演算 ==<!-- 插入一段导言  说明 数学演算 中do算子和do演算与干预的联系 -->
-在数学上，我们是通过do运算符也就是do算子表示对一个变量的干预，在计算干预的因果效应时，我们需要将含有do运算符的表达式，转化为可以计算的一般的概率表达式的过程称为do演算。
+在数学上，我们是通过do运算符也就是do算子表示对一个变量的干预，在计算干预的因果效应时，我们需要将含有do运算符的表达式，转化为可以计算的一般的概率表达式，这样的过程称为do演算。
 === '''''do''算子''' ===

@@ 第12行： / 第12行： @@
 由此，产生干预模型，通过do演算将因果关系从相关关系中分离出来。
 == 解决的问题<!-- 把牙膏例子补充完  --> ==
-干预是一种解决问题的方式，对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值，并观察结果。
+干预是一种解决问题的方式，对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值，并观察结果。例如：如果我们将牙膏的价格提高一倍，那么人们购买牙线的概率将是多少？因果无法通过检验历史信息来确定，因为可能存在其他因素同时影响这两个变量，比如存在牙膏价格变化的其他原因，而且这种原因会影响牙线的价格（例如两种商品的关税增加）。
-在数学上，这样的查询采取的形式(来自示例)[[文件:Q.png]]
+数学上用[[文件:Q.png]]来表示这种概率，表示这种概率。其中do是一个算子，表示对谁做实验性干预（如价格翻倍）。从图形上看，这阻止了任何原本会影响该变量的因果因素。从图表上看，这清除了所有指向实验变量的因果箭头。对于一个复杂的问题，可以进行更复杂的查询，其中将 do 运算符(值是固定的)应用于多个变量。<!-- 说明do运算符与干预的关系和联系 -->
 == 数学演算 ==<!-- 插入一段导言  说明 数学演算 中do算子和do演算与干预的联系 -->
 === '''''do''算子''' ===
@@ 第79行： / 第76行： @@
 ===== 拓展 =====
-这些规则并不意味着可以删除任何查询的 do 运算符。在这些情况下，可以用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。例子:<!-- 说明具体的这个胆固醇的例子 -->
+这些规则并不意味着任何查询可以移除 do算子。有些情况下，将一个不能进行的操作换成另一个可以进行的操作也是有意义的。例如，我们在研究血胆固醇对心脏病地影响，由于血胆固醇含量是无法直接固定地，但是我们可以通过固定饮食摄入量来同等表示，这就是用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。<!-- 说明具体的这个胆固醇的例子 -->
 [[文件:Image5.png]]
@@ 第86行： / 第83行： @@
 [[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
-[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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  <!-- 补充 有缺失 -->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。
+[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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，即使我们将冰淇淋销售量  <!-- 补充 有缺失 -->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<!-- 将这种关系在前文也阐述一下 -->。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。

@@ 第10行： / 第10行： @@
 温尼伯大学最近的一项研究表明，青少年过度发短信与（知识）“肤浅”相关。有媒体证实说，发短信使得青少年更加肤浅（从干预角度说，对青少年进行干预，使他们减少发短信的数量，进而不让他们那么“肤浅”）。但是，这个实验没有证明任何事情，既可能是肤浅使青少年发短信更多，也可能是肤浅和短信过多是由一个共同因素引起的，例如基因。如果可能的话，对该基因因素进行干预，即可更好的确定是何种原因导致了该结果。
-由此，产生干预模型，通过do演算将因果关系从相关关系中分离出来。<!-- 写到这
+由此，产生干预模型，通过do演算将因果关系从相关关系中分离出来。
-  -->
+== 解决的问题<!-- 把牙膏例子补充完  --> ==
 干预是一种解决问题的方式，对于查询到的基于特定模型提出的问题。人们通常进行实验(干预)来回答。干预措施的形式是固定一个模型中一个变量的值，并观察结果。
@@ 第20行： / 第18行： @@
 实验操作者指出实验明确地调整了牙膏的价格。从图形上看，这阻止了任何原本会影响该变量的因果因素。从图表上看，这清除了所有指向实验变量的因果箭头。
-对于一个复杂的问题，可以进行更复杂的查询，其中将 do 运算符(值是固定的)应用于多个变量。
+对于一个复杂的问题，可以进行更复杂的查询，其中将 do 运算符(值是固定的)应用于多个变量。<!-- 说明do运算符与干预的关系和联系 -->
-== 数学演算 ==
+== 数学演算 ==<!-- 插入一段导言  说明 数学演算 中do算子和do演算与干预的联系 -->
 === '''''do''算子''' ===
@@ 第34行： / 第32行： @@
 do演算在进行转换时，利用一种规则集进行表示，这种规则集是完整的(可以用它来派生该系统中的每个真实表达式)。因此可以通过算法进一步确定，对于给定的模型，一个解是否在多项式时间内可计算。
-== ''do''演算规则 ==
+====''do''演算规则 ====
 这个表达式包含了三个涉及 do 运算符的条件概率表达式转换规则。
@@ 第82行： / 第78行： @@
 在这个例子中，X和Y之间没有因果路径相连接
-=== 拓展 ===
+===== 拓展 =====
-这些规则并不意味着可以删除任何查询的 do 运算符。在这些情况下，可以用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。例子:
+这些规则并不意味着可以删除任何查询的 do 运算符。在这些情况下，可以用一个受操纵的变量(例如饮食)来代替一个不受操纵的变量(例如血液胆固醇) ，然后这个变量可以被转化去除胆固醇。例子:<!-- 说明具体的这个胆固醇的例子 -->
 [[文件:Image5.png]]
@@ 第90行： / 第86行： @@
 [[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
-[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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。
+[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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  <!-- 补充 有缺失 -->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。
+在符号的表达上，我们使用do算子来表达这种干预<!-- 将这种关系在前文也阐述一下 -->。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。
 == 编者推荐 ==

@@ 第88行： / 第88行： @@
 == 干预实例 ==
 [[文件:因果模型.png|缩略图|342x342像素|图1 干预前|替代=|无]]
-[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]
+[[文件:图1 干预模型.png|缩略图|344x344像素|图2 干预后|替代=|无]]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。
 == 编者推荐 ==

@@ 第1行： / 第1行： @@
 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,趣木木编写，未经专家审核，带来阅读不便，请见谅。
 == 概念来源 ==
-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。
+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。对一个变量进行干预与以该变量为条件的区别是很明显的。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。对应在图模型中，干预的操作将删除所有指向该变量的边。
-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。
+实际应用中，干预非常重要，许多统计研究的最终目标是预测干预措施的效果。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行为；收集西部火灾相关因素的数据，其实是想要寻找可以干预的因素，以减少火灾的发生。
-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行为。
+在统计学中，为了研究一个变量是否引起另一个变量的变化。我们通常会进行随机对照试验，这也被称为统计学的黄金准则。在一个正确的随机对照试验中，除了输入变量，所有影响输出变量的因素要么不变，要么是随机变化的，因此输出变量的任何改变必然由这一输入变量引起。不幸的是，很多问题不适合用随机对照试验来解决。比方说，我们不能控制天气，所以无法将引起火灾的变量随机化；研究暴力电视节目时，虽然可以随机选取参与者，但是很难有效的控制每个孩子看电视的行为，因此几乎不可能知道我们对孩子的控制是否有效，甚至在随机药物试验中，也会出现很多问题，参与者退出了，没有吃药，或者谎报吃药。在随机对照试验不可行的情况下，研究人员实施观察性研究，他们仅仅记录数据，而不是控制数据。这样的方式很难将因果关系从相关关系中提取出来。
-在统计学中，我们为了研究这样的问题，一个变量是否引起另一个变量的变化。我们通常会进行一个随机对照试验，这也被成为统计学的黄金准则。在一个正确的随机对照试验中，除了输入变量，所有影响输出变量的因素要么不变，要么是随机变化的，因此输出变量的任何改变必然由这一输入变量引起。
+温尼伯大学最近的一项研究表明，青少年过度发短信与（知识）“肤浅”相关。有媒体证实说，发短信使得青少年更加肤浅（从干预角度说，对青少年进行干预，使他们减少发短信的数量，进而不让他们那么“肤浅”）。但是，这个实验没有证明任何事情，既可能是肤浅使青少年发短信更多，也可能是肤浅和短信过多是由一个共同因素引起的，例如基因。如果可能的话，对该基因因素进行干预，即可更好的确定是何种原因导致了该结果。
-不幸的是，很多问题不适合用随机对照试验来解决。比方说，研究暴力电视节目时，虽然可以随机选取参与者，但是很难有效的控制每个孩子看电视的行为，因此几乎不可能知道我们对孩子的控制是否有效，甚至在随机药物试验中，也会出现很多问题，参与者退出了，没有吃药，或者谎报吃药。在随机对照试验不可行的情况下，研究人员实施观察性研究，他们仅仅记录数据，而不是控制数据。这样方式很难将因果关系从相关关系中提取出来，因此产生干预模型，通过do演算将因果关系从相关关系中分离出来。
+由此，产生干预模型，通过do演算将因果关系从相关关系中分离出来。<!-- 写到这
 == 解决的问题 ==

←上一版本		2022年6月10日 (五) 15:32的版本
第1行：		第1行：
−	~~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,趣木木编写，未经专家审核，带来阅读不便，请见谅。
		+
		+	许多统计研究的最终目标是预测干预措施的效果。比如收集西部火灾相关因素的数据，实际上是要寻找可以干预的因素，以减少火灾的发生；当对一种新的癌症药物进行研究时，通过让患者服药以实施干预，观察患者用药后的反应；而当研究暴力电视节目与儿童的攻击性行为之间的相关性时，是想尝试确认减少儿童接触暴力电视节目的干预措施能否降低儿童的攻击性。

	== 概念来源 ==		== 概念来源 ==

@@ 第93行： / 第93行： @@
 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]]
@@ 第127行： / 第108行： @@
 == 编者推荐 ==

←上一版本		2022年6月10日 (五) 13:40的版本
第94行：		第94行：
	[[文件:因果模型.png\|左\|缩略图\|342x342像素\|图1 干预前]]		[[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]]		[[文件:图1 干预模型.png\|左\|缩略图\|344x344像素\|图2 干预后]]
		+
		+
		+
		+