第十章：因果统计的反思

书籍信息：Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.

章节：第十章 — 因果统计的反思（Reflections on Causal Statistics）

笔记作者：自动生成

最后更新：2026-05-10

1. 章节概述

本章是Pearl著作中极具哲学深度的一章，系统性地反思了因果推断领域中的核心概念——实际因果（actual cause）——及其形式化方法。本章首先回顾了Mackie和Lewis等哲学家对因果关系的思考，指出传统反事实分析在处理过度决定（overdetermination）和抢先占先（preemption）等问题时的不足。

本章的核心贡献是提出了支撑（sustenance）这一新概念，并以此为基础建立了因果束（causal beam）理论，为实际因果的判定提供了统一的形式化框架。具体而言，本章包含以下几个主要部分：

第10.2节：引入"依赖（dependence）"与"生产（production）"的二元区分，提出"支撑"作为超越反事实检验的新概念
第10.3节：系统阐述因果束的定义、性质及其在多种因果场景中的应用
第10.3.2节：通过析取范式和一般布尔函数的例子，展示因果束如何形式化Mackie的INUS条件
第10.3.3–10.3.5节：分别讨论因果束在概率场景、路径切换因果和时间性抢先占先中的应用
第10.4节：总结因果束理论的意义，并讨论因果解释的语用学维度
后记：介绍Halpern和Pearl在第二版中对因果束定义的进一步精化

本章的核心洞察在于：因果解释的价值取决于其所针对的解释目标——当目标是"如何预防某事件"时，需要考虑生产性（production）；当目标是"如何在意外情况下维持某状态"时，支撑性（sustenance）更为重要。这一 pragmatics（语用学）视角为因果理论开辟了新的研究方向。

2. 关键问题与研究动机

2.1 反事实因果理论的困境

传统因果推断基于Lewis（1973）的反事实理论框架，其核心是"但若不（but-for）"检验：若没有X，Y就不会发生，则X是Y的原因。然而，这一框架在以下几种场景中遭遇直观的反例：

过度决定问题：在行刑队例子中，两名士兵同时开枪打死囚犯。按照但若检验，每一枪都不是囚犯死亡的原因——因为即使没有某一枪，囚犯仍会被另一枪打死。然而我们的直觉认为两枪都是实际原因。

抢先占先问题：在沙漠旅行者例子中，敌人A下毒于水，敌人B射穿水壶，旅行者最终因毒死亡。按但若检验，毒药是原因——因为若没有毒药，旅行者不会死。但直觉告诉我们B的射击也是原因之一（若没有射穿水壶，旅行者可能喝了被毒的水）。

2.2 Hall的"依赖"与"生产"二元论

哲学家Ned Hall（2004）观察到存在两种不同的因果概念：

依赖（dependence）：对应于原因的必要性——"但若不"关系
生产（production）：对应于原因的充分性——X能够"产生"Y，即使在Y原本不存在的世界中

Hall认为传统反事实理论只能捕捉"依赖"概念，而"生产"概念才是解释某些场景（如行刑队）中因果判断的关键。

Pearl对此的分析更进一步：生产性因果虽然概念上正确，但存在一个根本性困难——生产性因果无视具体情境信息。要检验X是否产生Y，我们必须设想一个X和Y都不存在的世界u'，在那里施加X并观察Y是否出现。这意味着：

任何在实际世界中已发生的事件，都无法通过生产性考虑来解释
关于实际世界u的证据，无法直接应用于定义生产性的假设世界u'

2.3 支撑概念的提出

为了克服这些困难，Pearl引入了支撑（sustenance）概念——一种在实际世界u中、同时结合依赖与生产特征的因果关系。支撑与依赖的区别在于所考虑的意外事件的类型：

依赖：考虑的是情境性意外（circumstantial contingencies）——源于特定场景环境的偶然因素
支撑：考虑的是结构性意外（structural contingencies）——源于因果模型本身的结构修改，即do(·)操作所代表的外部干预

支撑概念的核心洞察在于：每个因果模型都隐含地代表着无限多个人工干预世界。当我们将某个机制建模为独立单元时，我们实际上是在宣告该机制可能"失灵"的方式，而这些失灵方式构成了因果解释应当考虑的意外集合。

3. 主要公式与推导

3.1 依赖与生产的定义

依赖性因果（Definition 9.2.1的等价表述）： $$ X(u) = x,\quad Y(u) = y,\quad Y_{x'}(u) = y' \qquad(10.3) $$ 其中$Y_{x'}(u)$表示在状态u下将X设置为$x'$后的Y值。式(10.3)表明：给定X=x且Y=y，若将X改为其他值$x'$后Y变为$y'$（不同于y），则X是Y的依赖性原因。

生产性因果（Definition 9.2.2的等价表述）： $$ X(u') = x',\quad Y(u') = y',\quad Y_x(u') = y \qquad(10.4) $$ 其中$x'$和$y'$通常为假值。式(10.4)表明：在一个X和Y都不存在的世界u'中，若施加X会导致Y出现，则X"生产"了Y。

3.2 支撑的定义

定义10.2.1（支撑）：设W是V中的一组变量，w和w'是这些变量的具体取值。当且仅当以下条件全部成立时，称X=x在状态u下相对于W中的意外因果性地支撑Y=y：

\[ \text{(i)}\ X(u) = x $$ $$ \text{(ii)}\ Y(u) = y \qquad(10.5) $$ $$ \text{(iii)}\ Y_{xw}(u) = y \quad \forall w $$ $$ \text{(iv)}\ Y_{x'w'}(u) = y' \neq y \quad \text{for some}\ x' \neq x \ \text{and some}\ w' \]

条件(iii)：无论W取何值，只要X保持为x，Y就维持其实际值y。这表达了x对y的充分性——x单独就能维持y。

条件(iv)：存在某种意外组合$(x', w')$使得当X被改为其他值$x'$时，Y失去其值y。这表达了x对y的必要性——若没有x，y在某些意外情况下无法维持。

条件(iii)和(iv)合在一起，意味着存在某种W的设置使得x是y的既必要又充分的条件。

3.3 因果束的定义

定义10.3.1（因果束）：给定因果模型$M = \langle U, V, \{f_i\} \rangle$和状态$U = u$，因果束是一个新模型$M_u = \langle u, V, \{f_i^u\} \rangle$，其中$f_i^u$按以下步骤构造：

步骤1：将每个变量的父节点集$PA_i$划分为两个子集$PA_i = S \cup S'$，其中S（"支撑集"）满足： $$ f_i(S(u), s', u) = f_i(S(u), s, u) \quad \forall s' \qquad(10.6) $$ 式(10.6)表明：S足以决定Vi的实际值，无论其他父节点如何设置。

步骤2：找到S的一个子集W，存在某种取值$w$使得$f_i(s, S_w(u), u)$在s上非平凡，即： $$ f_i(s', S_w(u), u) \neq V_i(u) \quad \text{for some}\ s' \qquad(10.7) $$

步骤3：将$f_i(s, s', u)$替换为其投影$f_i^u(s) = f_i(s, S_w(u), u)$。新父节点集变为$S$，每个$f_i^u$对其新父节点集S响应。

自然因果束（Definition 10.3.2）：若步骤2中$W = 0$（对所有变量），则得到的因果束是自然的——所有非支撑变量都被"冻结"在其实际值。

3.4 实际因果与贡献因果的定义

定义10.3.3（实际因果）：事件$X=x$在状态u下是$Y=y$的实际原因（记为"x caused y"），当且仅当存在一个自然因果束$M_u$使得： $$ Y_x = y \quad \text{in}\ M_u \qquad(10.8) $$ 和 $$ Y_{x'} \neq y \quad \text{in}\ M_u \quad \text{for some}\ x' \neq x \qquad(10.9) $$

式(10.8)表示在冻结了非支撑变量后，X=x仍然维持Y=y。式(10.9)表示若X变为其他值$x'$，Y就不再等于y。

定义10.3.4（贡献因果）：x是y的贡献原因，当且仅当存在一个非自然的因果束（即需要$W \neq 0$的干预）满足(10.8)和(10.9)，但没有任何自然因果束满足这两个条件。

3.5 实际因果的概率

定义10.3.5（实际因果的概率）：设$U_{xy}$为"x是y的实际原因"成立的状态集，$U_e$为与证据e兼容的状态集。给定证据e时x导致y的概率为： $$ P(\text{caused}(x, y \mid e)) = \frac{P(U_{xy} \cap U_e)}{P(U_e)} \qquad(10.11) $$

3.6 Halpern-Pearl定义的最终形式

定义10.4.2（实际因果，Halpern and Pearl 2005）：在状态$U = u$的世界中，$X = x$是$Y = y$的实际原因，当且仅当以下三个条件成立：

AC1：$X(u) = x,\ Y(u) = y$

AC2：存在V的一个划分$Z$和$W$（使得$X \in Z$）以及$x'$和$w$的设置，使得： - (a) $Y_{x', w} \neq y$ - (b) $Y_{x, w, z^*} = y$ for all subsets $W' \subseteq W$ and all subsets $Z' \subseteq Z$，其中$z^*$是Z在u中的实际值

AC3：W是最小的——没有X的真子集满足AC1和AC2

AC2中的$W = w$充当意外变量，AC2(a)执行反事实检验，AC2(b)限制意外的选择范围。

4. 关键算法与建模方法

4.1 因果束的构造算法

因果束的构造本质上是一个模型简化过程，其算法步骤如下：

输入：因果模型$M = \langle U, V, \{f_i\} \rangle$和具体状态$u$

输出：自然因果束$M_u$

步骤： 1. 对每个变量$Y_i \in V$： - 识别其所有父节点$PA_i$ - 确定一个最小充分支撑集S，即满足(10.6)且不可进一步缩减的最小集合 - 验证在冻结S之外的变量后，$Y_i$是否仍依赖于S 2. 构建简化模型：将每个$f_i$替换为其在状态u下的投影$f_i^u$ 3. 检验简化模型是否满足自然性（所有非支撑变量被冻结在其实际值）

4.2 实际因果判定算法

给定一个因果束，实际因果的判定可按以下步骤进行：

验证AC1：确认$X(u) = x$和$Y(u) = y$
寻找合适的意外集W：
尝试$W = \emptyset$（自然束）
若自然束不满足条件，依次尝试更大的W
对每个候选W，验证AC2(a)和AC2(b)
验证最小性（AC3）：确保没有X的真子集能通过检验
分类：
若$W = \emptyset$满足条件 → 实际因果
若$W \neq \emptyset$才满足条件 → 贡献因果

4.3 典型场景的建模方法

4.3.1 过度决定场景（行刑队）

模型： $$ D = A_1 \lor A_2 $$ 其中$A_1$和$A_2$表示两个士兵的射击，D表示囚犯死亡。

分析： - 支撑集$S = \emptyset$（因为D已经为真） - 无自然束满足因果检验 - 需要$W = \{A_1\}$或$W = \{A_2\}$的干预 - 两射击均为贡献因果而非实际因果

4.3.2 抢先占先场景（沙漠旅行者）

模型（图10.3）： $$ C = p \oplus x \quad \text{或} \quad c = p'(u' \lor x') $$ $$ D = x(u \lor p') $$ $$ Y = c \lor d $$ 其中$p$表示毒药，$x$表示射穿水壶，$C$表示喝了毒水，$D$表示喝了无毒水，$Y$表示旅行者死亡。

分析（状态$u=1$，即旅行者未喝到毒水）： - 支撑集：$S_C = \{X\}$，$S_D = \{X\}$，$S_Y = \{D\}$ - 自然束$M_{u=1}$给出：$c = x'$，$d = x$，$y = d$ - 因果判定：$x$（射穿水壶）是实际原因，$p$（毒药）不是

4.3.3 时间性抢先占先（两火灾场景）

模型：需要使用动态因果模型，变量为时、空索引的火灾状态： $$ V(x,t) \in {g, f, b} $$ 其中$g$表示绿色（无火），$f$表示燃烧，$b$表示已烧毁。

传播方程（简化形式）： $$ V(x,t) = \begin{cases} f & \text{if } V(x,t-1)=g \text{ and } (V(x-1,t-1)=f \text{ or } V(x+1,t-1)=f) \ b & \text{if } V(x,t-1)=b \text{ and } V(x,t-1)=f \ g & \text{otherwise} \end{cases} \qquad(10.17) $$

分析：利用时空表示，先到达的火灾A形成因果束，后到的火灾B被排除在外——因为在每个时间步，房屋状态只依赖于已建立的火源。

5. 主要结论

5.1 支撑是实际因果的核心

本章最重要的结论是：支撑（sustenance）是阐释"实际因果"（或法律术语中的"事实原因"）的关键属性，它应当取代在多阶段、多潜在原因场景中的"但若不"检验。支撑捕捉了假定原因在面对结构性意外时维持效果值的能力，并将必要性反事实检验作为特例包含其中（当结构性意外被压制，即$W = 0$时）。

5.2 结构性意外 vs 情境性意外

本章论证了：

结构性意外（而非情境性意外）才是因果声明真正含义的载体
这些结构性意外应当成为因果解释的基础
这种基于意外的方法解决了困扰反事实单事件因果理论的各种困难——主要包括抢先占先、过度决定、时间性抢先占先和切换因果

5.3 因果束理论的形式化贡献

因果束理论提供了： - 对Mackie的INUS条件的形式化阐释 - 对Lewis的准依赖（quasi-dependence）概念的精确表述 - 对Hall的"依赖"与"生产"二元论的统一框架

5.4 语用学视角的决定性意义

本章的深刻洞见在于：解释的语用学目标决定了应当使用因果的哪个方面：

生产性：当解释目标是"某事件如何能被预防"时，需要考虑生产性——即在目标事件不存在的假设世界中检验原因的效果
支撑性：当解释目标是"如何在意外情况下维持某状态"时，支撑性更为重要——可以保持在实际世界中进行分析

这一发现为因果解释的自动生成开辟了新方向——未来的系统需要数学化地表达解释目标，并根据目标选择合适的因果分析框架。

6. 挑战与开放问题

6.1 因果束定义的细化需求

Halpern和Pearl（2001a,b）在第二版中发现因果束定义需要进一步细化。在投票机例子中：

反例：投票场景，V1和V2都投了赞成票，Y=1（措施通过）。加入投票机M（记录总票数）后，原始因果束定义无法将V1=1判定为Y=1的原因，因为V2相对于M不是"非活跃"的。

解决：Halpern和Pearl（2005）提出定义10.4.2，其中AC2(b)限制意外的选择范围，要求在X复位后Y=y即使在意外$W=w$和部分$Z$变量被恢复时也成立。

6.2 意外的合理性问题

即使精化后的定义（10.4.2）仍存在一个缺陷：必须排除某些不合理的意外选择。Halpern（2008）提出通过诉诸默认逻辑中的"正态性（normality）"概念来解决——只有与实际世界中对应变量处于相同"正态性"水平的意外才应当被考虑。

6.3 变量选择敏感性

Halpern和Hitchcock（2010）指出，结构方法对变量选择敏感。同一物理场景可能因变量定义方式不同而产生不同的因果判定。这是一个尚待深入研究的问题。

6.4 语用学的形式化

本章留下的最重要未解问题是：解释语用学的数学形式化。如何形式化"解释目标"？如何根据解释目标自动选择合适的因果概念（生产vs支撑）？这些问题需要跨学科的合作，包括人工智能、哲学和认知科学。

7. 个人反思与批判性分析

7.1 理论贡献的评价

Pearl在本章中展现的数学严谨性与哲学洞察力的结合，使因果推断领域获得了前所未有的理论深度。支撑概念的引入不仅解决了长期困扰反事实理论的反例，更重要的是它揭示了因果模型本身的结构承载着因果解释所需的全部信息。

因果束理论的核心价值在于：它将"结构性意外"从隐含背景提升为因果分析的第一等公民。每个因果模型不仅描述了正常运作的机制，还通过其结构隐含地宣告了各种可能的失灵方式。这种"失灵宣告"正是因果解释的真正舞台。

7.2 对INUS条件的重新理解

Mackie的INUS条件（1974）认为：原因是一个不充分但必要的部分，对于一个不必要但充分的条件集合。本章的因果束理论对INUS条件提供了新的语义基础：

不充分但必要的部分对应于支撑集中的必要性检验（条件iv）
不必要但充分的条件集合对应于结构性意外下的充分性（条件iii）

这种形式化避免了Mackie原始逻辑表述的某些模糊性，同时保留了其核心洞察。

7.3 语用学转向的深远意义

本章最后几页讨论的语用学视角可能是整本书最具前瞻性的内容。Pearl指出：

"看起来，解释追求中周围的语用学问题才是决定使用因果哪个方面的关键，而这一语用学的数学形式化是自动生成充分解释的关键步骤。"

这一观点预示了可解释人工智能（XAI）和因果机器学习的发展方向。当前的机器学习系统能够预测"是什么"，但无法解释"为什么"——而因果束理论及其后续发展可能为构建可解释的因果模型提供理论基础。

7.4 与潜在结果框架的比较

本章的方法与Rubin的潜在结果框架（Neyman 1923; Rubin 1974）形成了有趣的对比：

方面	潜在结果框架	因果束理论
基本单位	个体 ($Y_x(u)$)	变量值 ($X=x$)
意外类型	假设性世界 ($u'$)	结构性干预 ($do(\cdot)$)
核心检验	但若不	支撑
多原因处理	随机化假设	因果束构造
形式化程度	语法	语义

两者各有优势：潜在结果框架在一般性上更强（不要求特定因果结构），而因果束理论在处理结构性因果场景时更加精细。

7.5 对实践的启示

本章对因果推断的实践者有以下重要启示：

变量选择很重要：同一分析可能因变量定义不同而产生不同结论
背景知识的形式化：将领域知识编码为因果结构时，应当明确考虑各种机制可能的失灵方式
解释目标的明确化：在进行因果分析前，应当明确是"预防"导向还是"维持"导向的解释目标
概率因果的必要性：单靠反事实判定不够，需要概率方法来量化因果概率

7.6 未来研究方向

本章描绘了因果推断领域的几个激动人心的前沿：

语用学的计算模型：如何让机器理解并应用解释目标来选择因果方法
自动因果发现：如何从数据中自动学习因果束结构
因果解释生成：如何自动生成满足特定解释目标的自然语言因果解释
多层次因果：如何在不同粒度（分子、细胞、器官、个体、群体）上统一应用因果理论

公式汇总表

编号	公式名称	公式内容	所属章节
(10.3)	依赖性因果定义	$X(u) = x,\ Y(u) = y,\ Y_{x'}(u) = y'$	10.2
(10.4)	生产性因果定义	$X(u') = x',\ Y(u') = y',\ Y_x(u') = y$	10.2
(10.5)	支撑定义（条件i-iv）	$(i)\ X(u)=x;\ (ii)\ Y(u)=y;\ (iii)\ Y_{xw}(u)=y\ \forall w;\ (iv)\ Y_{x'w'}(u)=y'\neq y$	10.2
(10.6)	支撑集充分性条件	$f_i(S(u), s', u) = f_i(S(u), s, u)\ \forall s'$	10.3.1
(10.7)	投影函数定义	$f_i^u(s) = f_i(s, S_w(u), u)$	10.3.1
(10.8)	实际因果条件（充分性）	$Y_x = y\ \text{in}\ M_u$	10.3.3
(10.9)	实际因果条件（必要性）	$Y_{x'} \neq y\ \text{in}\ M_u\ \text{for some}\ x' \neq x$	10.3.3
(10.11)	实际因果的概率	$P(\text{caused}(x,y \mid e)) = P(U_{xy} \cap U_e) / P(U_e)$	10.3.1
(10.17)	火灾传播动态方程	时-空索引变量$V(x,t)$的状态转换规则	10.3.5
AC1	Halpern-Pearl定义条件1	$X(u) = x,\ Y(u) = y$	10.4后记
AC2	Halpern-Pearl定义条件2	存在划分$Z,W$满足反事实检验和意外限制	10.4后记
AC3	Halpern-Pearl定义条件3	W最小性（无真子集满足AC1-AC2）	10.4后记

参考章节关联

第7章：因果模型的定义和do算子的形式化（本书所有形式化的基础）
第9章：反事实的完整语义学，PN/PS概率因果指标的引入
第11章：对因果-统计二分的进一步反思，d-分离的直观讲解

本笔记基于Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. 第十章内容整理。

方面	潜在结果框架	因果束理论
基本单位	个体 (\(Y_x(u)\))	变量值 (\(X=x\))
意外类型	假设性世界 (\(u'\))	结构性干预 (\(do(\cdot)\))
核心检验	但若不	支撑
多原因处理	随机化假设	因果束构造
形式化程度	语法	语义

编号	公式名称	公式内容	所属章节
(10.3)	依赖性因果定义	\(X(u) = x,\ Y(u) = y,\ Y_{x'}(u) = y'\)	10.2
(10.4)	生产性因果定义	\(X(u') = x',\ Y(u') = y',\ Y_x(u') = y\)	10.2
(10.5)	支撑定义（条件i-iv）	\((i)\ X(u)=x;\ (ii)\ Y(u)=y;\ (iii)\ Y_{xw}(u)=y\ \forall w;\ (iv)\ Y_{x'w'}(u)=y'\neq y\)	10.2
(10.6)	支撑集充分性条件	\(f_i(S(u), s', u) = f_i(S(u), s, u)\ \forall s'\)	10.3.1
(10.7)	投影函数定义	\(f_i^u(s) = f_i(s, S_w(u), u)\)	10.3.1
(10.8)	实际因果条件（充分性）	\(Y_x = y\ \text{in}\ M_u\)	10.3.3
(10.9)	实际因果条件（必要性）	\(Y_{x'} \neq y\ \text{in}\ M_u\ \text{for some}\ x' \neq x\)	10.3.3
(10.11)	实际因果的概率	\(P(\text{caused}(x,y \mid e)) = P(U_{xy} \cap U_e) / P(U_e)\)	10.3.1
(10.17)	火灾传播动态方程	时-空索引变量\(V(x,t)\)的状态转换规则	10.3.5
AC1	Halpern-Pearl定义条件1	\(X(u) = x,\ Y(u) = y\)	10.4后记
AC2	Halpern-Pearl定义条件2	存在划分\(Z,W\)满足反事实检验和意外限制	10.4后记
AC3	Halpern-Pearl定义条件3	W最小性（无真子集满足AC1-AC2）	10.4后记