覺醒失敗後我回山裡種田！
24結構因果模型（s）
241基本定義[5][11]
這是一種基於因果圖（casualgrah），構建各類因子間因果關係的方法。該方法可以將因果圖轉為結構化等式（structuraleations），並通過do算子乾預因果圖，打破混淆因子乾擾，完成因果發現。
那什麼是因果圖呢，這是一個有向無環圖（dag），節點表示因子，有向邊表示因果關係和大小。如下圖a是s的一個示例。其中t為treatnt（即要分析的“因”），y是目標，x是混淆因子。顯然，x的存在乾擾了分析t對y的影響，作者提出通過do算子去除混淆因子x對treatnt的影響，這也是s做因果分析的關鍵。
那具體是怎麼實現的呢？我們需要先了解因果圖裡的經典結構
242網絡結構與前後門準則[11][12]
三種經典的圖結構
當我們分析x和y的因果關係時，如果存在其他變量z，則它們的關係不外乎以下三種圖結構。
鏈式（a）x＞z＞y。有且
叉式（b）x＜z＞y。同鏈式有且
v式（c）x＞z＜y。有且
那麼針對這三種圖結構，如何輸出x變化對y的影響呢？我們的重點是如何“過濾”變量z對分析的乾擾（這也是因果識彆的目標）
2後門準則該準則對應叉式的圖結構
後門標準（後門準則）如果變量集z滿足1不包含x的子孫節點；2阻斷了x到y的所有後門路徑。則稱z滿足x,y的後門準則
後門調整基於後門路徑，通過乾預do算子消除混淆因子的影響，僅使用已知的數據分布，估計變量之間的因果效應
3前門準則該準則對應鏈式結構
前門標準（前門準則）如果變量集z滿足1阻斷了x到y的所有路徑；2x到z之間沒有未阻斷的路徑（x到z不存在後門路徑）；3z到y之間的所有後門路徑都被x阻斷。則稱z滿足x,y的前門準則
前門調整和後門調整類似，通過do算子去除前門路徑（鏈式）的影響
243示例說明[13]
這兩個準則應該如何使用呢？這裡一個case
背景有一種藥物，對於男士群體而言，使用該藥物後發病率降低。對於女士群體而言，使用該藥物後發病率也會降低。但是，對男女人群一起統計，則結論相反
假設t1表示服藥，t0表示未服藥，y1表示發病的概率，y0表示未發病的概率。顯然y1it1078＜y1it0083，這是因為沒有考慮混淆變量“性彆”的影響，出現了辛普森悖論。
如下圖，通過後門調整，去除掉性彆對服藥的乾擾。則最終y1idox10832＞y1idox00781，說明服用此藥物確實可以降低發病率。
後麵調整的計算邏輯如下
244因果識彆
當前s模型更多用於因果識彆，這是因果推斷伴生的研究課題。其目標是從一係列的因子裡，找出各因子間的因果相關性並輸出因果圖，則後續可根據casualgrah分析兩兩因子間的相互影響，揭示因子對結果的多層傳遞性影響。舉個例子[14]，我們研究影響產品銷量的因素時，可能存在產品價格、產品屬性、門店信息、市場競爭情況等因子需要考慮。我們可以構建多個類似下圖的因果圖模型，然後通過do算法實現乾預，判斷各因子間存在的因果關係，最終輸出概率最大的因果圖作為識彆的結果[15][16]。本文主要關注因果推斷，因果識彆不做展開討論，更多示例可參考相關文章[17]
25潛在結果模型（r）[11]
r關注的是乾預前後的期望變化，即22所述的treatnteffect。該模型不考慮分析所有因子的因果性，隻關注treatnt和outut之間的因果強弱，因此也不需要構建完整了因果圖，而是假設treatnt和outut外的其他因子均為混淆因子，構建粗略的因果圖，通過預測反事實的結果，並於觀測對比來完成因果推斷。
該模型的期望輸出分為四種（ate\att\cate\ite），可根據業務需求選擇。對於for單個研究對象的反事實推斷，模型的目標是計算每一個樣本i的因果效應，即t1?t0。以33服藥和康複的case為例，t是否服藥，y是否康複。我們知道，一個人是無法同時觀測到吃藥和不吃藥對康複的影響，s也無法推測服藥對某個用戶的價值。而r則會根據數據形態（即用戶屬性、曆史表現以及混淆因子“年齡”等）預測實際未發生的行為將產生的結果，從而推斷出ite。同理可得出ate、att、cate。
因為業界很多時候關注的是單個treatnt因子的價值，所以r往往是業界的首選。
251基本假設
r存在如下3個基本假設[18]
穩定單元乾預值假設（stableunittreatntvaeassution,sutva）任意單元的潛在結果都不會因為其他單元的乾預發生改變而改變，且對於每個單元，其所接受的每種乾預不存在不同的形式或版本，也不會導致不同的潛在結果。以吃藥康複的例子解釋這裡的兩層含義，其一是你吃不吃藥不影響我是否康複；其二是每種乾預是唯一的，吃藥不存在吃很多、吃很少的情況，統一藥量，要考慮藥量就要設置不同的乾預值（即此時乾預變量不能隻是0和1）