更改

=== 模型 ===

== 模型 ==

==== 因果图====

=== 因果图 ===

因果图是一个有向图，它显示了因果模型中变量间的因果关系。因果图包括一组变量（或节点），每个节点通过箭头连接到一个或多个对其具有因果效应的其他节点。箭头描绘了因果的方向，例如，将变量<math> A </math>和变量<math>B</math> 以指向 <math>B</math> 的箭头相连表示A的变化以某种概率导致<math>B</math>的变化。一条路径是两个节点间沿着因果箭头的图的遍历。<ref name=":1" />

因果图是一个有向图，它显示了因果模型中变量间的因果关系。因果图包括一组变量（或节点），每个节点通过箭头连接到一个或多个对其具有因果效应的其他节点。箭头描绘了因果的方向，例如，将变量<math> A </math>和变量<math>B</math> 以指向 <math>B</math> 的箭头相连表示A的变化以某种概率导致<math>B</math>的变化。一条路径是两个节点间沿着因果箭头的图的遍历。<ref name=":1" />

==== 模型元素 ====

=== 模型元素 ===

因果模型具有形式结构，其元素具有特定的属性。<ref name=":1" />

因果模型具有形式结构，其元素具有特定的属性。<ref name=":1" />

===== 连接方式 =====

==== 连接方式 ====

三个节点的连接类型有三种，分别是线型的链，分支型的叉和合并型的对撞。<ref name=":1" />

三个节点的连接类型有三种，分别是线型的链，分支型的叉和合并型的对撞。<ref name=":1" />

====== 链 ======

===== 链 =====

链（结构）是直线连接，箭头从原因指向结果。在这个模型中，<math>B</math>是中介变量，因为它调节了<math> A</math> 对<math> C</math> 的影响。<ref name=":1" />

链（结构）是直线连接，箭头从原因指向结果。在这个模型中，<math>B</math>是中介变量，因为它调节了<math> A</math> 对<math> C</math> 的影响。<ref name=":1" />

:<math> A \rightarrow B \rightarrow C</math>

:<math> A \rightarrow B \rightarrow C</math>

====== 叉======

===== 叉 =====

在叉（结构）中，一个原因有多种结果，这两种结果有一个共同的原因。 <math>A </math>和<math> C</math> 之间存在非因果的虚假相关性，可以通过把<math> B</math> 作为条件（选取<math>B</math>的特定值）来消除虚假相关性。<ref name=":1" />

在叉（结构）中，一个原因有多种结果，这两种结果有一个共同的原因。 <math>A </math>和<math> C</math> 之间存在非因果的虚假相关性，可以通过把<math> B</math> 作为条件（选取<math>B</math>的特定值）来消除虚假相关性。<ref name=":1" />

====== 对撞 ======

===== 对撞 =====

在对撞（结构）中，多种原因会影响一种结果。以 <math>B</math> 为条件（ <math>B</math> 取特定值）通常会揭示 <math>A</math> 与<math> C</math> 之间的非因果的负相关。这种负相关被称为对撞偏差和“辩解”效应，即 <math>B</math> 解释了<math> A</math> 与 <math>C</math> 之间的相关性。<ref name=":1" /> <math>A</math> 和<math> C</math> 两者都是影响 <math>B</math> 的必要因时，该相关性是正的。<ref name=":1" />

在对撞（结构）中，多种原因会影响一种结果。以 <math>B</math> 为条件（ <math>B</math> 取特定值）通常会揭示 <math>A</math> 与<math> C</math> 之间的非因果的负相关。这种负相关被称为对撞偏差和“辩解”效应，即 <math>B</math> 解释了<math> A</math> 与 <math>C</math> 之间的相关性。<ref name=":1" /> <math>A</math> 和<math> C</math> 两者都是影响 <math>B</math> 的必要因时，该相关性是正的。<ref name=":1" />

:<math> A \rightarrow B \leftarrow C</math>

:<math> A \rightarrow B \leftarrow C</math>

=== 后门调整 ===

==== 后门调整 ====

为了分析因果模型中<math>X</math>对<math>Y</math>的因果效应，我们需要针对所有混杂变量进行调整（去混杂）。<ref name=":1" />为了确定混杂变量的集合，我们需要

为了分析因果模型中<math>X</math>对<math>Y</math>的因果效应，我们需要针对所有混杂变量进行调整（去混杂）。<ref name=":1" />为了确定混杂变量的集合，我们需要

=== 前门调整 Frontdoor Adjustment ===

==== 前门调整 Frontdoor Adjustment ====

如果阻塞路径的所有元素都不可观测，则后门路径不可计算，但是如果所有从<math> X </math>到<math> Y </math>的路径都有元素<math> z</math> ，并且<math> z</math> 到<math> Y </math>没有开放的路径，那么我们可以使用<math> z </math>的集合<math> Z </math>来测量<math> P(Y|do(X))</math>。实际上<math> Z </math>作为<math> X </math>的代理时有一些条件。

如果阻塞路径的所有元素都不可观测，则后门路径不可计算，但是如果所有从<math> X </math>到<math> Y </math>的路径都有元素<math> z</math> ，并且<math> z</math> 到<math> Y </math>没有开放的路径，那么我们可以使用<math> z </math>的集合<math> Z </math>来测量<math> P(Y|do(X))</math>。实际上<math> Z </math>作为<math> X </math>的代理时有一些条件。

对于线性模型，可以通过取中介路径上所有路径系数的乘积来计算间接效应。总间接效应是通过各个间接效应的和计算得出的。对于线性模型，当拟合的不包括中介的方程式的系数与包含中介的方程式的系数显着不同时，这就意味着中介发生了。

对于线性模型，可以通过取中介路径上所有路径系数的乘积来计算间接效应。总间接效应是通过各个间接效应的和计算得出的。对于线性模型，当拟合的不包括中介的方程式的系数与包含中介的方程式的系数显着不同时，这就意味着中介发生了。

===直接效应 Direct effect===

====直接效应 Direct effect====

在这样模型的实验中，受控直接效应（CDE）通过将<math>M</math>强行赋值（<math>do(M=0)</math>）和随机化（<math>do(X=0),do(X=1),...</math>），然后观察<math>Y</math>的结果值获得。

在这样模型的实验中，受控直接效应（CDE）通过将<math>M</math>强行赋值（<math>do(M=0)</math>）和随机化（<math>do(X=0),do(X=1),...</math>），然后观察<math>Y</math>的结果值获得。

例如，考虑每年或几年去看牙科医生的次数（<math>X</math>）的直接效应，去看牙科医生会使牙科医生鼓励人们使用牙线（<math>M</math>）。牙龈（<math>Y</math>）因此变得更健康，这归因于牙科医生（直接）或牙线（中介/间接）。需要进行的实验是继续使用牙线，但不去看牙科医生。

例如，考虑每年或几年去看牙科医生的次数（<math>X</math>）的直接效应，去看牙科医生会使牙科医生鼓励人们使用牙线（<math>M</math>）。牙龈（<math>Y</math>）因此变得更健康，这归因于牙科医生（直接）或牙线（中介/间接）。需要进行的实验是继续使用牙线，但不去看牙科医生。

===间接效应 Indirect effect ===

====间接效应 Indirect effect ====

<math>X</math>对<math>Y</math>的间接效应是当<math>X</math>保持不变，<math>M</math>增加到<math>X</math>增加一个单位时<math>M</math>会达到的值。

<math>X</math>对<math>Y</math>的间接效应是当<math>X</math>保持不变，<math>M</math>增加到<math>X</math>增加一个单位时<math>M</math>会达到的值。