跳到主内容
快讯直播
AI智模界
AI 词典

后门准则:该控制哪些变量,才不把因果搞反

一句话定义:后门准则(Backdoor Criterion)是因果图(causal graph)里的一条判据——如果一组变量能堵住从“原因”到“结果”的所有后门路径,并且这组变量里不含原因自身的下游产物,那么控制住它们之后,剩下的统计关联就可以当因果效应用。

什么是后门路径。假设你想知道 X 对 Y 的因果影响。从 X 走到 Y 的路径分两种:一种顺着箭头走(X → … → Y),这是你想要的因果通道;另一种一出发就“逆流而上”,先从 X 回溯到影响 X 的某个变量,再绕到 Y。后者就是后门路径(backdoor path),它运输的是假关联。

经典例子:冰淇淋销量和溺水人数同涨同跌。路径是“天气热 → 冰淇淋销量”和“天气热 → 溺水”,天气就是混杂因子(confounder)。把天气控制住,两条后门路径都被堵死,剩下的关联才干净。

打个比方:因果效应是一条从 A 到 B 的单行道。后门路径是绕过单行道、从别的路口偷偷接回来的弯路,上面跑的是“共同原因”假冒的流量。我们要在每条弯路上设卡掐断它,但千万别把单行道本身也封了。

两条容易踩的坑:

1. 别控制中介变量。如果 X → M → Y,M 是传导效应的中间环节,控制它等于把效应的一部分扣掉,剩下的只是一个残缺的直接效应。

2. 别控制碰撞点(collider)。当两个变量都指向同一个结果时,只对这个结果做筛选,反而会凭空造出相关性。比如才华和颜值都影响能否成名,如果你只在成名者中统计,两者会呈现负相关——这不是真实关系,是筛选出来的假象。

变量在图中的位置该不该控制原因
混杂因子(同时指向 X 和 Y)该它开通了后门路径
中介变量(X → M → Y)通常不该会扣掉你要测的效应
碰撞点(X → C ← Y)不该控制后反而打开新路径
X 的其它下游变量不该可能引入新偏倚,也违背准则条件

和相邻概念的区别:随机对照试验(Randomized Controlled Trial, RCT)是靠随机化在物理上切断后门;后门准则是观察性数据里用图论做同样的事。前门准则(Front-door Criterion)则是当混杂因子测不到、但中介变量可测时的替代方案。还有一条常见误解:控制变量不是越多越好,多余的控制和遗漏一样有毒。

实际意义:做建模的人,先画因果图再跑回归,能避免“控制了不该控制的变量,系数越调越离谱”;做产品和运营的人,在 A/B 实验不可行时,靠这张图能倒推出该补采哪些字段。最后提醒一句:准则本身是数学,输入靠领域知识——图错了,算得再对也没意义。

AI 生成本文由 AI 基于公开信息自动生成,仅供参考。