更改

[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|比较两个竞争的因果模型(DCM，GCM)用于解释[[fMRI 图像]]<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging | journal=PLOS Biology| volume=7 | number=2 | pages=e1000033 | date=Feb 2009}}</ref>]]

[[File:Diagram of Dynamic Causal Modelling - Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging by Karl Friston.png|thumb|300px|比较两个竞争的因果模型(DCM，GCM)用于解释[[fMRI 图像]]<ref>{{cite journal | doi=10.1371/journal.pbio.1000033 | pmid=19226186 | pmc=2642881 | author=Karl Friston | title=Causal Modelling and Brain Connectivity in Functional Magnetic Resonance Imaging | journal=PLOS Biology| volume=7 | number=2 | pages=e1000033 | date=Feb 2009}}</ref>]]

在科学哲学中，因果模型(或结构因果模型)是描述系统因果机制的概念模型。因果模型可以通过提供清晰的规则来决定需要考虑/控制哪些自变量，从而改进研究设计。

在科学哲学中，'''<font color="#ff8000"> 因果模型 Causal Model</font>'''(或'''<font color="#ff8000"> 结构因果模型 Structural Causal Model</font>''')是描述系统因果机制的概念模型。因果模型可以通过提供清晰的规则来决定需要考虑/控制哪些自变量，从而改进研究设计。

因果模型可以帮助解决外部有效性问题(一项研究的结果是否适用于未研究的总体)。因果模型可以允许多个研究的数据(在某些情况下)合并来回答任何单个数据集都无法回答的问题。

因果模型可以帮助解决'''<font color="#ff8000"> 外部有效性 External Validity</font>'''问题(一项研究的结果是否适用于未研究的总体)。在某些情况下，因果模型可以允许多项研究的数据合并起来回答任何单个数据集都无法回答的问题。

因果模型在信号处理、流行病学和机器学习中都有应用。

因果模型在信号处理、流行病学和机器学习中都有应用。

<blockquote>Causal models are mathematical models representing causal relationships within an individual system or population. They facilitate inferences about causal relationships from statistical data. They can teach us a good deal about the epistemology of causation, and about the relationship between causation and probability. They have also been applied to topics of interest to philosophers, such as the logic of counterfactuals, decision theory, and the analysis of actual causation.<ref>{{Citation|last=Hitchcock|first=Christopher|title=Causal Models|date=2018|url=https://plato.stanford.edu/archives/fall2018/entries/causal-models/|encyclopedia=The Stanford Encyclopedia of Philosophy|editor-last=Zalta|editor-first=Edward N.|edition=Fall 2018|publisher=Metaphysics Research Lab, Stanford University|access-date=2018-09-08}}</ref></blockquote>

<blockquote>Causal models are mathematical models representing causal relationships within an individual system or population. They facilitate inferences about causal relationships from statistical data. They can teach us a good deal about the epistemology of causation, and about the relationship between causation and probability. They have also been applied to topics of interest to philosophers, such as the logic of counterfactuals, decision theory, and the analysis of actual causation.<ref>{{Citation|last=Hitchcock|first=Christopher|title=Causal Models|date=2018|url=https://plato.stanford.edu/archives/fall2018/entries/causal-models/|encyclopedia=The Stanford Encyclopedia of Philosophy|editor-last=Zalta|editor-first=Edward N.|edition=Fall 2018|publisher=Metaphysics Research Lab, Stanford University|access-date=2018-09-08}}</ref></blockquote>

Judea Pearl 将因果模型定义为一个有序的三元组<math>\langle U, V, E\rangle</math> ，其中 U 是一组外生变量，其值由模型外部的因素决定; V 是一组内生变量，其值由模型内部的因素决定; E 是一组结构方程，把每个内生变量的值表示为 U 和 V 中其他变量值的函数。

Judea Pearl将因果模型定义为一个有序的三元组<math>\langle U, V, E\rangle</math>，其中 U 是一组外生变量，其值由模型外部的因素决定；V 是一组内生变量，其值由模型内部的因素决定；E 是一组结构方程，把每个内生变量的值表示为 U 和 V 中其他变量值的函数。

== 历史 ==

== 历史 ==

亚里士多德定义了因果关系的分类法，包括质料因、形式因、动力因、目的因。休谟更偏爱反事实，他拒绝了亚里士多德的分类法。有段时间，他否认物体本身具有使得一个物体成为原因而另一个物体成为结果的“力量”。后来，他接受了“第一物体还没存在时，第二个根本不存在”的观点（“but-for”因果关系）。

亚里士多德定义了因果关系的分类法，包括质料因、形式因、动力因、目的因。休谟更偏爱反事实，他拒绝了亚里士多德的分类法。有段时间，他否认物体本身具有使得一个物体成为原因而另一个物体成为结果的“力量”。后来，他接受了“如果第一物体还没存在，第二个根本不存在”的观点（“but-for”因果关系）。

作为一个实证主义者，皮尔逊将因果的概念从许多科学中去除，他认为因果关系是一种无法证明的特殊的关联，并引入相关系数作为关联强度的度量方法。他写道: “作为运动原因的力，与作为成长原因的树神完全一样”，而因果关系只是“现代科学高深奥秘中的迷信”。皮尔逊在伦敦大学学院创立了“Biometrika”和生物识别实验室，该实验室成为了统计领域的全球领导者。

作为一个实证主义者，皮尔逊将因果的概念从许多科学中去除，他认为因果关系是一种无法证明的特殊的关联，并引入相关系数作为关联强度的度量方法。他写道: “作为运动原因的力，与作为成长原因的树神完全一样”，而因果关系只是“现代科学高深奥秘中的迷信”。皮尔逊在伦敦大学学院创立了“Biometrika”和生物识别实验室，该实验室成为了统计领域的全球领导者。

1908年，Hardy和Weinberg通过重拾孟德尔遗传律，解决了导致高尔顿放弃因果关系的性状稳定问题。

1908年，Hardy和Weinberg通过重拾孟德尔遗传律，解决了导致高尔顿放弃因果关系的性状稳定问题。

1921年，Wright的路径分析成为因果模型和因果图的理论雏形。他开发了这种路径分析方法，试图同时阐明遗传、发育和环境对豚鼠皮毛模式的相对影响。他通过展示这样的分析如何解释豚鼠出生体重、子宫内时间和产仔数之间的关系来支持他旁门左道的观点。杰出的统计学家对这些想法的反对使因果关系在接下来的40年中被忽略（除了动物饲养员）。取而代之的是，科学家依赖于相关性，<font color="#32cd32"> partly at the behest of Wright's critic (and leading statistician), Fisher</font>。唯一的例外是一名叫Burks的学生，在1926年首先应用路径图来表示中介影响，并断言保持中介变量恒定会引起误差。她可能独立地发明了路径图。

1921年，Wright的路径分析成为因果模型和因果图的理论雏形。他开发了这种路径分析方法，试图同时阐明遗传、发育和环境对豚鼠皮毛模式的相对影响。他通过一个分析过程如何解释豚鼠出生体重、子宫内时间和产仔数之间的关系来支持他旁门左道的观点。杰出的统计学家对这些想法的反对使因果关系在接下来的40年中被忽略。取而代之的是，科学家依赖于相关性，<font color="#32cd32"> partly at the behest of Wright's critic (and leading statistician), Fisher</font>。唯一的例外是一名叫Burks的学生，在1926年首先应用路径图来表示中介影响，并断言保持中介变量恒定会引起误差。她可能独立地发明了路径图。

1923年，Neyman提出了潜在结果（potential outcome）的概念，但是直到1990年他的论文才从波兰语被翻译成英语。

1923年，Neyman提出了潜在结果（potential outcome）的概念，但是直到1990年他的论文才从波兰语被翻译成英语。