前门准则(Frontdoor Criterion)是因果推断中的一条识别规则:当处理变量 X 和结果变量 Y 之间存在无法观测的混杂因素,后门准则(Backdoor Criterion)走不通时,只要 X 对 Y 的影响全部经过某个可观测的中介变量 M,且这条“X→M→Y”的通道足够干净,我们仍能估计出 X 对 Y 的因果效应。
先看一个典型场景。公司想评估“参加培训”(X)对“绩效”(Y)的影响,但有一个麻烦:上进心强的人既更可能报名培训,绩效也更好。上进心没有被记录,是个未观测混杂因素,直接比较参训者和未参训者的绩效会有偏差。好消息是,培训影响绩效几乎只有一条路——先让员工“掌握新技能”(M),再由技能提升绩效。M 可以被测量。
于是可以分两段走:第一段,看培训是否真的让人掌握了技能。由于 X→M 之间没有那个未观测混杂捣乱(假设上进心不影响“培训是否教会技能”),参训者的技能提升可以直接归因于培训。第二段,看“掌握技能”对绩效的影响。这时要控制住 X(是否参训),因为参训本身会同时影响技能和绩效,是一个可观测的“后门”。两段效应相乘并对 M 求和,就还原出培训对绩效的总因果效应。用公式写就是:
P(y|do(x)) = Σ_m P(m|x) · Σ_{x'} P(y|m,x') · P(x')
其中第一个因子来自 X→M,第二个因子来自 M→Y,x' 是对 X 的调整。
要成立,需要三个条件:M 截断了 X 到 Y 的所有有向路径;X→M 之间没有未阻断的后门路径;M→Y 的所有后门路径都被 X 阻断。三者缺一不可,其中“X 能阻断 M→Y 的混杂”是最容易被违反的假设。
它和相邻概念的区别可以用一张表看清:
| 方法 | 借助什么 | 关键假设 | 适用场景 |
|---|---|---|---|
| 后门准则 | 可观测的混杂变量 | 能测到并调整所有混杂 | 混杂可观测 |
| 前门准则 | 可观测的中介变量 | 影响全部经中介,且两段可识别 | 混杂不可观测但中介干净 |
| 工具变量 | 只通过 X 影响 Y 的变量 | 工具外生、排除性限制 | 有天然工具(如政策、随机分配) |
| 中介分析 | 分解直接/间接效应 | 关注机制而非总效应 | 想知道“怎么起作用” |
对从业者的意义在于:因果推断不是“没有随机实验就没办法”。当混杂藏在暗处、但机制链条清楚可测时,前门准则提供了一条绕道路径。代价是假设很强——中介必须承接全部效应,且中介与结果之间不能有另一条未观测的旁路。实际应用前,先画因果图(DAG),逐条检查这些假设是否站得住;如果中介只承接了部分效应,前门公式就不能直接使用。具体实现可参考因果推断库的文档,以官方页面为准。
