搜尋意圖： 如果你在找「因果模型 是什麼」或「因果模型 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 用數學或圖形方式表示變數間因果關係與機制的模型，包括結構方程模型與因果圖。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
用數學或圖形方式表示變數間因果關係與機制的模型，包括結構方程模型與因果圖。
因果模型（Causal Models）是理解與量化因果關係的數學框架，透過將現實世界中複雜的變數交互作用編碼為形式化的模型結構，使研究者與實踐者能夠精確地推導因果效應、預測干預結果、並進行反事實推理。
有向無環圖（DAG）的基礎概念
有向無環圖（Directed Acyclic Graph，DAG）是現代因果推斷的基礎表示法。在 DAG 中，節點代表變數（可觀測或潛在的），有向邊（→）代表假設的因果關係，箭頭指向被影響的變數。「無環」是關鍵特性，意味著因果鏈最終有終點，不存在循環因果（雖然在現實中有循環反饋，但通常假設在足夠短的時間尺度上可近似為無環結構）。
例如，模型「吸菸 → 肺癌 ← 遺傳傾向」用 DAG 表示為：兩個節點「吸菸」與「遺傳傾向」均有箭頭指向「肺癌」。這個圖直觀地表達了因果結構：肺癌有兩個潛在原因，吸菸與遺傳傾向不存在因果關係（節點間無邊連接）。
路徑與因果識別
DAG 分析的核心是理解不同類型的路徑與它們對因果推斷的影響：
後門路徑（Backdoor Path）：從原因變數出發，沿著箭頭反向走回去，再轉向結果變數的路徑。後門路徑代表非因果的共同原因路徑，會導致混淆。例如，若「吸菸 ← 社會經濟地位 → 肺癌」，則「吸菸 ← 社會經濟地位 → 肺癌」是後門路徑，會使吸菸對肺癌的因果效應估計受到偏誤。
前門路徑（Frontdoor Path）：從原因變數出發，沿著箭頭正向走向中介變數（Mediator），再到結果變數。前門路徑代表因果機制如何作用。例如，「吸菸 → 焦油沉積 → 肺癌」中，焦油沉積是中介，代表吸菸導致肺癌的機制。
碰撞變數（Collider）：一個變數有多個指向它的箭頭（多個原因）。特殊之處在於，除非明確調整碰撞變數，否則其原因變數間在統計上獨立；但一旦調整（在迴歸中納入）碰撞變數，則會誘發原因變數間的虛假相關。
後門準則與路徑阻斷
Pearl 提出的後門準則（Backdoor Criterion）是 DAG 在因果識別中的經典應用。若要估計處理變數對結果的因果效應，需要調整一個變數集合 Z，使得：所有後門路徑都被阻斷（blocked），同時沒有前門路徑被阻斷。路徑阻斷的規則涉及碰撞、調整變數的位置等複雜邏輯，但自動化工具（如 DAGitty）可輔助識別應調整的變數集。
結構因果模型（SCM）與干預
結構因果模型（Structural Causal Model，有時簡稱結構方程模型 SEM）將 DAG 推廣為帶有數學方程的框架。每個變數由一個方程表示，等號右側是其直接原因變數加上獨立誤差項。例如：
- Y = f_Y(X, U_Y) + ε_Y
- X = f_X(U_X) + ε_X
其中 U_X、U_Y 代表不可觀測的背景變數（包含所有外部影響），ε 是獨立噪聲。
SCM 的精妙之處在於它能形式化「干預」（intervention）的概念。干預被表示為對模型結構的改動：進行干預 do(X = x) 時，原 X 的方程被替換為常數 X = x，其他方程保持不變。這使得模型能夠預測干預效果，而非僅基於觀測相關性。例如，若我們想知道強制吸菸對肺癌的因果效應，在 SCM 中進行 do(吸菸 = 1) 的干預，重新計算肺癌的分布，得出的期望值即為因果效應。
識別問題與不可識別性
有時，即使有完整的 DAG，由於資料的限制或模型結構，因果效應仍可能無法唯一識別（不可識別，unidentifiable）。例如，若無法觀測到某個關鍵混淆變數，則無法通過調整來排除其影響。因果模型理論提供了診斷不可識別性的方法，以及在不可識別情況下估計因果效應的邊界（bounds）的技巧。
因果模型的實務應用
在 AI 應用中，因果模型被用於：
推薦系統設計：理解用戶特徵、推薦內容、與用戶留存之間的因果關係，設計能最大化長期價值的推薦策略，而非只追求短期點擊率。
政策評估：評估政府補助、稅收優惠等政策干預的因果效應，支持循證決策。
醫療決策：醫生基於患者特徵選擇最有效的治療方案，因果模型幫助量化治療效應。
公平性與反偏見：識別歧視性決策的因果路徑（如直接歧視 vs. 結構性歧視），設計介入點以減少偏見。
在 iPAS AI 應用規劃師考試中，因果模型是進階考點，要求考生不僅理解 DAG 的構繪與讀取，還能識別混淆、中介與碰撞變數，選擇適切的調整變數集，並推導因果識別的結論。
常見問題
什麼是碰撞變數（Collider），為什麼調整它會產生問題？
碰撞變數是有多個原因指向它的變數。在 DAG 中，例如「吸菸 → 肺癌 ← 遺傳傾向」，肺癌就是碰撞變數。統計上的性質是：在未調整肺癌的情況下，吸菸與遺傳傾向是獨立的（它們各自獨立影響肺癌，但不直接相關）。然而，一旦在分析中「調整」或「條件於」肺癌（例如在迴歸中納入肺癌作為控制變數），就會在吸菸與遺傳傾向之間誘發虛假相關。直觀解釋是：在已知肺癌的人群中，若某人吸菸少，則他很可能有強遺傳傾向才會患癌，因此吸菸少與遺傳傾向強產生相關。這稱為「碰撞偏誤」（collider bias）或「選擇偏誤」（selection bias）。所以，不應調整碰撞變數，除非有特殊的因果識別理由。
我怎麼知道是否畫對了因果圖（DAG）？
畫 DAG 的過程涉及主觀判斷與領域知識，難以完全客觀驗證。建議方法包含：第一，與領域專家協作確認因果方向與存在性；第二，檢查 DAG 是否與已知的科學證據（發表論文、教科書）一致；第三，進行敏感性分析（sensitivity analysis），測試 DAG 的小幅修改（如加入或移除某些邊）對因果識別結果的影響，若結論穩健則更有信心。第四，使用自動化工具（如 DAGitty、causalml）輔助檢查邏輯一致性。需要強調的是，DAG 是研究假設的形式化，而不是絕對真理；同一個現象可能有多個合理的 DAG 解釋，因此應在報告中明確陳述所用的 DAG 及其假設基礎。
結構因果模型（SCM）和一般的統計迴歸模型有什麼區別？
統計迴歸模型（如 Y = β₀ + β₁X + ε）描述 Y 與 X 的條件期望 E[Y|X]，用於預測；係數 β₁ 反映的是相關性調整後的關聯強度。SCM 則顯式地為每個變數指定因果方程與獨立噪聲項，並定義「干預」的形式化操作。最關鍵的區別是解釋：迴歸模型的「效應」（β₁）只在統計意義上有定義，不直接對應因果改變；SCM 中的「效應」對應真實的干預效果。例如，迴歸模型可能告訴你「每增加一年教育，收入期望增加 $5000」，但這是基於觀測相關性，可能受混淆（如動機高的人既多受教育又賺更多）；SCM 則會明確識別混淆變數，計算「強制多受一年教育」的真實因果效應，可能與迴歸係數大不相同。