搜尋意圖： 如果你在找「結構因果模型 是什麼」或「結構因果模型 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： 用數學方程與有向無環圖表示變數間因果機制的模型，允許進行干預與反事實推理。
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。
用數學方程與有向無環圖表示變數間因果機制的模型，允許進行干預與反事實推理。
結構因果模型（Structural Causal Model，SCM）是因果推斷從哲學猜想轉變為嚴格數學框架的重要里程碑。SCM 將複雜的因果機制編碼為形式化系統，使得研究者與 AI 系統能夠精確地進行因果推導、量化因果效應、預測干預結果與執行反事實推理。
SCM 的數學結構
SCM 包含三個組成部分：
變數集合 V = {V₁, V₂, ..., Vₙ}，分為外生變數 U（不被模型解釋的背景因素）與內生變數 V（由模型解釋的變數）。
因果方程集合 F = {f₁, f₂, ..., fₙ}，每個 f_i 定義了變數 V_i 如何由其直接原因與獨立雜訊決定：V_i = f_i(PA_i, U_i)，其中 PA_i 是 V_i 的父節點（直接原因集），U_i 是獨立外生變數。
有向無環圖（DAG），節點是變數，有向邊表示因果關係。若 V_j 在 V_i 的父節點集中，則 DAG 中有邊 V_j → V_i。
例如，模型「吸菸與遺傳傾向都導致肺癌，吸菸受遺傳傾向影響」可表示為：
- U_G：遺傳傾向（外生變數）
- U_S：其他吸菸因素（如成癮性傾向，外生）
- U_L：其他肺癌風險因素（如環境汙染，外生）
- G = U_G
- S = f_S(G, U_S)：吸菸依賴遺傳與個人因素
- L = f_L(S, G, U_L)：肺癌依賴吸菸、遺傳與其他因素
對應的 DAG：U_G → S, U_G → L, U_S → S, S → L, U_L → L。
干預與 do-operator
SCM 的革命性貢獻在於形式化「干預」。觀測（conditioning）與干預在統計上有根本區別：觀測 P(L | S = 1)「在已知吸菸者中肺癌的概率」混合了相關性與因果性；干預 do(S = 1)「強制讓人吸菸」則直接改寫了 S 的方程，排除了 S 的原有原因的影響。
形式上，干預 do(S = s) 將 SCM 轉化為「干預模型」：移除 S 的原因方程，取而代之以 S = s。新模型下的變數分布 P(L | do(S = 1))（即使 s = 1）才是吸菸的真實因果效應。
這個區別至關重要：P(L | S = 1) ≠ P(L | do(S = 1))。前者包含混淆（如遺傳傾向同時影響 S 與 L），後者排除了混淆。
識別與可識別性
給定 SCM 與觀測資料的聯合分布 P(V)，因果效應 P(V | do(X = x)) 是否能被唯一決定（識別）？SCM 理論提供了充分條件與診斷工具。例如，Pearl 的後門準則（Backdoor Criterion）告訴研究者哪些變數應被調整來識別因果效應；前門準則（Frontdoor Criterion）則在存在無法觀測混淆變數時提供識別路徑。
不可識別性出現在資訊不足時。例如，若無法觀測到關鍵的混淆變數，即使有完美的觀測資料也無法唯一確定因果效應。在此情況下，SCM 理論提供了計算「部分識別」（partial identification）邊界的方法：因果效應無法精確估計，但可估計其可能範圍。
SCM 與機器學習的整合
SCM 為機器學習帶來了新視角。傳統 ML 模型 Ŷ = f(X) 學習的是 P(Y | X)，對應於觀測；為了設計能處理干預的系統，需要轉向因果框架。例如，推薦系統傳統上透過相關性預測用戶喜好，但相關性被用戶與推薦系統的歷史反饋循環所混淆；基於 SCM 的設計則明確模型用戶真實偏好、系統推薦、與用戶回應的因果關係，從而能更精準地優化長期價值而非短期點擊率。
SCM 的實務限制
SCM 是強大的工具，但有實務局限：
第一，因果結構需要專家假設與領域知識，難以純粹從資料推導。不同的 SCM 可能對應同一觀測分布，導致因果結論的多重性。
第二，模型複雜度：現實系統有眾多變數與潛在因果關係，完整的 SCM 可能難以建構與驗證。
第三，未測量混淆（unmeasured confounding）是永遠的威脅。SCM 假設所有相關變數都已納入模型或被調整，但隱藏因素往往存在。
第四，動態因果系統（反饋循環、時間延遲）的 SCM 建模更複雜，需要擴展為動態結構因果模型（Dynamic SCM）。
在 iPAS AI 應用規劃師考試中，SCM 是因果推斷部分的核心，要求考生理解 SCM 的數學定義、干預與觀測的區別、後門/前門準則的應用，以及 SCM 與 AI 決策設計的關聯。
常見問題
SCM 與普通的迴歸模型或結構方程模型（SEM）有什麼區別？
傳統 SEM 是統計模型，透過觀測資料估計變數間的路徑係數與方差，目標是描述資料的協方差結構；SEM 並不強制「因果」解釋，其參數可有多種因果與非因果的解釋。SCM 則是因果模型，明確定義每個變數的因果生成機制，並區分觀測與干預。關鍵區別是，SEM 估計的 P(Y | X) 仍是相關性意義上的，改變 X 的邊際分布（不執行干預）會改變 Y；SCM 中的干預則明確改寫方程，推導干預後的分布 P(Y | do(X = x))。SEM 與 SCM 有聯繫：SCM 在假設線性且誤差獨立時可簡化為 SEM 的形式，但 SCM 包含更多的因果語義。
我需要對 SCM 中的每個變數都有完整的方程嗎？
不一定。實務上，完整的 SCM 往往難以構築，特別是當系統大且複雜時。通常的做法是：第一，識別焦點因果關係：只針對關注的干預與結果進行詳細建模，其他變數可簡化或視為背景因素；第二，使用 DAG 表示粗粒度的因果結構，不一定每條邊都對應明確的數學方程；第三，部分邊可用一般函數 f 表示而不指定具體形式。這種「簡化 SCM」的方法犧牲了部分數學精確性，但在實務應用中更可行，並仍能保留因果推理的核心能力。
如果 SCM 有誤會怎樣？會導致完全錯誤的因果結論嗎？
有風險。SCM 的結論可靠性完全依賴於其假設的正確性。若因果結構有誤（如遺漏重要變數、錯誤的因果方向），基於該 SCM 的因果推導可能完全謬誤，且不易察覺。例如，若真實因果是 L ← S → G（吸菸既導致肺癌也導致遺傳傾向的顯著，後代中吸菸者傾向於有更多肺癌家族史），但建模時誤認為 G → S 與 G → L，導出的「吸菸因果效應」估計會被嚴重高估。應對策略包含：第一，依賴領域專家驗證因果假設；第二，蒐集多個資料源並進行交叉驗證；第三，進行敏感性分析，測試 SCM 假設的合理微小修改對結論的影響；第四，與實驗（隨機試驗）結果對比。