画一张图，看穿数据背后的因果关系——DAG因果图入门指南

"我们需要的不是更多数据，而是更好的因果推理工具。"
—— Nick Huntington-Klein，《The Effect》

一、DAG 是什么？为什么科研人必须懂它？

1.1 一个简洁的定义

因果图（DAG）是用"节点"和"箭头"表示变量间因果关系的可视化工具，清晰展示哪个变量导致哪个变量发生变化。

这个定义看起来平平无奇，但它背后的力量是巨大的：

当你画出一张因果图，你实际上在做三件事：

1. 显式化你的假设——你相信什么变量影响什么变量
2. 可视化数据生成过程（DGP）——数据是怎么"被产生出来"的
3. 推导出识别策略——该控制哪些变量，不该控制哪些变量

如果说统计模型是"计算因果效应的工具"，那因果图就是"告诉你有没有必要、以及怎么使用这个工具"的地图。没有地图，再精良的计算工具也可能把你带进沟里。

1.2 因果图 vs 传统相关性分析：本质区别

举个让人印象深刻的例子：冰淇淋销量与溺水死亡人数高度正相关。没有人会说"冰淇淋导致溺水"——但如果你只看相关系数，你无法从数字本身知道这一点。只有画出因果图（夏天→冰淇淋销量，夏天→游泳人数→溺水），你才能清楚地看到："夏天"是一个共同原因（混淆变量），并不存在冰淇淋→溺水的箭头。

二、DAG 的核心构成要素

2.1 三大基本元素

一张因果图由且仅由三种元素构成：

🔵 节点（Nodes）：变量本身

• 因果图中每一个圆圈或方框代表一个变量
• 重要原则：每个变量只有一个节点，不区分具体取值
  • 比如"性别"这个节点，同时代表男性和女性，不会分裂成两个节点
• 节点可以是可观测变量（你有数据的），也可以是未观测变量（你没有数据但它客观存在的）
  • 未观测变量在图中通常用灰色或虚线圆圈表示
  • 忽略未观测变量是初学者最常犯的错误之一

➡️ 箭头（Arrows）：因果关系

• 箭头从"原因"指向"结果"：X → Y意味着"X 导致 Y"
• 箭头只表示因果关系存在与否，不表示效应的方向（正/负）或强度（大/小）
  • 这一点与路径分析图（Path Diagram）不同——在 DAG 中，你不会看到带有系数标注的箭头
• 没有箭头 = 你明确假设"两者之间不存在直接因果关系"

🔘 未观测变量（Unobserved Variables）的特殊处理

在真实的社会科学研究中，很多最重要的变量恰恰是无法测量的——个体的风险偏好、家庭教育氛围、社会资本……

这些变量必须出现在你的因果图中，尽管你没有数据。为什么？

因为如果它们同时影响你的"处理变量"和"结果变量"，它们就是混淆变量（Confounders），忽略它们会让你的因果推断出错——而你甚至不知道出错了。

把未观测变量放进图里，你至少知道自己面临的挑战在哪里，而不是盲目乐观地以为"我已经控制了足够多的变量"。

规则：如果一个变量对数据生成过程很重要，即使你没有数据，也要把它画进图里。

2.2 有向无环图的"无环"约束

DAG 中的 A（Acyclic）意味着没有循环：你不能沿着箭头方向走一圈回到起点。

即，不存在 X → Y → Z → X 这样的结构。

这是一个重要的假设。现实中当然存在反馈循环（比如"成绩好→更有信心→成绩更好"），但在标准 DAG 框架里，通常用"不同时间点的变量"来处理：

成绩_t → 信心_t+1 → 成绩_t+2

将时序引入图中，打破循环。

三、如何从零画出你自己的因果图？

下面是一套可操作的 5 步绘图流程，对着你自己的研究可以直接套用。

Step 1：明确你的研究问题

因果图永远围绕一个核心问题展开：

"X（处理变量/Treatment）是否影响 Y（结果变量/Outcome）？影响有多大？"

在开始画图之前，先把这两个变量确认清楚并标注在图的两侧——X 在左（或上），Y 在右（或下）。图里所有其他变量都是围绕这对关系展开的。

示例：研究"在线课程（OnlineClass）是否影响大学辍学率（Dropout）"

OnlineClass → ? → Dropout

Step 2：头脑风暴"影响处理变量的因素"

问自己：什么决定了谁接受处理，谁不接受处理？

在在线课程的例子中，哪些变量会影响一个学生是否选择在线课程？

• 种族（Race）——不同种族群体的在线教育接受程度不同
• 性别（Gender）
• 年龄（Age）
• 社会经济地位（SES）——影响是否有钱上网、有时间上课
• 对在线学习的偏好（Preferences）
• 是否有网络接入（InternetAccess）
• 可用时间（AvailableTime）

把这些变量都画进图里，并给它们画上指向"OnlineClass"的箭头。

Step 3：头脑风暴"影响结果变量的因素"

问自己：除了处理变量以外，还有什么决定结果？

影响"辍学率（Dropout）"的因素：

• 学业表现（Academics）
• 工作时长（WorkHours）——工作越多越容易辍学
• 可用时间（AvailableTime）
• 种族（Race）、性别（Gender）、年龄（Age）、SES——均有独立影响

Step 4：识别变量之间的相互关系

变量与变量之间可能还有关系，把它们也画出来：

• SES → InternetAccess（有钱才有网）
• SES → AvailableTime（贫困家庭孩子需要打工）
• Age → SES（年龄影响家庭收入）
• Race/Gender → WorkHours（职场歧视影响就业机会）
• WorkHours → AvailableTime（工作越多空闲越少）
• Academics → Dropout（成绩差更容易辍学）

Step 5：加入未观测变量

现在问：有哪些变量"看不见、测不到"，但它们却同时影响多个变量？

在这个例子中：

• U3：未观测的种族/性别歧视因素，同时影响 Race、Gender 与 Academics
• U5：未观测的地理-经济因素，同时影响 Location 与 SES

把 U3、U5 用灰色节点画进图里。

最终，你会得到一张涵盖以下变量的完整因果图：

Race, Gender, Age, SES, Location ↓ ↓ ↓ Preferences InternetAccess AvailableTime WorkHours ↓ ↓ ↓ OnlineClass → Dropout ↑ Academics ↑ (U3: Race/Gender → Academics)

提示：真实的因果图往往比你预期的要复杂。这不是坏事——复杂意味着真实。问题不在于图太复杂，而在于你对复杂性是否有清醒的认识。

四、路径分析：变量之间都有哪些"隐形通道"？

现在你已经画出了一张图。下一步是分析这张图中的路径（Path）——即从 X 到 Y 的所有可能的"信息流动通道"。

这看起来像是个技术细节，但它直接决定了你应该控制哪些变量，不应该控制哪些变量。弄错了，整个分析就白搭。

4.1 三种基本路径类型

在因果图中，从 X 出发到 Y 的任何路径都可以分为三类：

📍 路径类型 1：直接因果路径（Causal Path）

X → Y

这是 X 对 Y 的直接因果效应。没有中间变量，箭头直指结果。

在在线课程例子中：

OnlineClass → Dropout

这条路径代表"在线课程直接改变了学生的辍学决策"。

📍 路径类型 2：后门路径（Back-door Path）

X ← ... → Y

即存在一个变量（或一串变量），从它出发既有箭头指向 X，也有箭头（直接或间接）指向 Y。这种情况下，X 和 Y 之间存在虚假相关性，即使 X 不影响 Y。

在在线课程例子中，一条后门路径是：

OnlineClass ← SES → AvailableTime → Dropout

解读：

• SES 影响谁选择在线课程
• SES 影响 AvailableTime，进而影响辍学率
• 因此，即使在线课程本身对辍学率无影响，我们仍可能观察到在线课程用户和非用户之间的辍学率差异——只是因为他们的 SES 不同

📍 路径类型 3：前门路径（Front-door Path）

X → M → Y

即存在一个中间变量 M（称为"中介变量"或"调节变量"），X 影响 M，M 影响 Y，但 X 和 Y 之间不存在直接箭头。

在在线课程例子中：

OnlineClass → AvailableTime → Academics → Dropout

解读：在线课程可能通过提高学生的可用时间，进而改善学业表现，最终降低辍学率。

关键区别：

• 后门路径= 造成虚假相关性的混淆（必须阻断）
• 前门路径= 真实因果效应的传导机制（通常想保留）

4.2 后门标准（Back-door Criterion）：何时需要控制变量

一旦你识别了所有的后门路径，一个根本性的问题出现了：

我需要控制哪些变量才能阻断所有后门路径，同时保留前门路径和直接因果效应？

这就是**后门标准（Back-door Criterion）**的用武之地。

后门标准是一个数学定理，告诉你：

如果你要估计 X 对 Y 的因果效应，控制的变量集合 Z 必须满足以下两个条件：

1. Z 中没有任何变量是 X 的后代（即不存在 X → ... → Z 的路径）
2. Z 必须阻断所有从 X 到 Y 的后门路径（即所有 X ← ... → Y 的路径都被截断）

用人话说就是：

✅ 应该控制的变量： 既影响 X，又（直接或间接）影响 Y， 但不是由 X 造成的 ❌ 不应该控制的变量： (1) 完全无关（与 X 或 Y 都无关） (2) 是 X 的后代（X 导致了这个变量的变化） (3) 是"对撞变量"（之前没讲过，第五节详解）

4.3 在线课程例子中应该控制哪些变量？

回到我们的因果图。让我们逐一列出所有后门路径：

后门路径 1：

OnlineClass ← SES → AvailableTime → Dropout

后门路径 2：

OnlineClass ← Race → Academics → Dropout

后门路径 3：

OnlineClass ← SES → InternetAccess ← ? (无法完全追踪)

根据后门标准，我们至少需要控制 SES 和 Race。

控制了这两个变量以后，所有上述后门路径都被阻断了（因为它们都经过 SES 或 Race 这两个节点）。

但这还不够。还要检查：

• ✅ SES 是不是 OnlineClass 的后代？否——SES 不由选择在线课程决定
• ✅ Race 是不是 OnlineClass 的后代？否——种族身份不由课程选择决定

所以SES 和 Race 是可以控制的。

但如果你控制了AvailableTime，会发生什么？

OnlineClass → AvailableTime → Dropout

由于 AvailableTime 是 OnlineClass 的后代，控制它会阻断从 OnlineClass 到 AvailableTime 到 Dropout 的前门路径，这会低估在线课程的真实因果效应。

这是初学者最常犯的错误：过度控制。你有一种直觉是"我控制的变量越多越好"，但实际上控制不该控制的变量会偏离真实因果效应。

五、对撞变量：因果推断中最诡异的陷阱

如果说后门路径问题是"我没有控制该控制的变量"，那对撞变量（Collider）问题就是"我控制了本不该控制的变量，反而打开了一扇新的后门路径"。

这是因果推断中最反直觉、最容易踩坑、也最能让人印象深刻的陷阱。

5.1 什么是对撞变量？

在因果图中，对撞变量是这样的一个变量：

两个或多个变量都有箭头指向它。即，多个原因指向同一个结果。

符号表示：

X → C ← Y

其中 C 就是对撞变量（Collider）。

直觉理解：

假设你听到一个古老的谚语："美女难得贤惠"（注：这只是因果图例子，不代表任何真实观点）。

如果用因果图表示：

颜值高 → 成为著名人物 ← 才华高 ↑ 对撞变量 C

在"成为著名人物"这个对撞变量上，指向它的有两个原因：要么颜值高，要么才华高。

关键现象：在整个人口中，颜值和才华是独立的（无相关性）。但是，在"著名人物"这个子集中，颜值和才华是负相关的！

为什么？因为：

• 如果一个著名人物颜值不高（颜值 = 低），那么他/她必须靠才华弥补，所以才华必定很高
• 如果一个著名人物才华不高（才华 = 低），那么他/她必须靠颜值弥补，所以颜值必定很高

这种只在条件化子集中产生的虚假相关性，就是对撞变量的魔力。

5.2 对撞变量的三个违反直觉的结论

🔴 结论 1：不应该控制对撞变量

在传统的多元回归思维中，你可能会想："我增加更多的控制变量，回归会更稳健。"

这在对撞变量上完全相反。

如果你在回归中控制一个对撞变量，你实际上是在说："给定对撞变量的值，我来看 X 对 Y 的关系。" 这相当于你在观察一个被筛选过的、不具有代表性的子样本。

案例：选择性录取（Selection Bias）

学术能力 → 大学录取 ← 运动天赋 ↑ 对撞变量

假设一所大学的录取标准是："要么学术能力特别强，要么运动天赋特别强，要么两者都强。"

学术能力和运动天赋在全国的高中生中是独立的。但在"被这所大学录取的学生"这个子集中，这两者会产生负相关：

• 高学术能力的学生可能运动一般（因为不需要靠运动才能被录取）
• 高运动天赋的学生可能学术一般（因为不需要学术特别强才能被录取）

现在，如果你使用这所大学的学生数据，想估计"学术能力对未来收入的影响"，你绝对不应该控制"是否被这所大学录取"这个变量——因为它是对撞变量，控制它会打开一条虚假的负相关路径。

🔴 结论 2：对撞变量会打开后门路径

更准确地说，控制对撞变量会创建一条虚假的、原本不存在的后门路径。

示例来自《The Effect》书中的警察与犯罪例子：

犯罪发生率 → 警察数量 ← 警力预算优先级 ↑ 对撞变量

在美国，一个地区的警察数量取决于两个因素：

1. 犯罪率高（犯罪多→需要更多警察）
2. 政治压力强（预算分配者认为这个地区需要重视）

犯罪率和政治压力在没有其他信息时是独立的。但如果你控制了警察数量（即，你比较的是"警察数量相同但政治压力不同的地区"），你打开了一条虚假路径：

犯罪发生率 ← 警力预算优先级 (虚假路径打开)

这会让你错误地估计出"警察越多，犯罪越多"的负面结果。这种现象在美国城市数据中确实存在，很多人错误地用这个发现论证"警察无用论"，但实际上根本原因是数据被对撞变量污染了。

🔴 结论 3：如果有未观测的对撞变量，你无法通过控制任何观测变量来修复

这是最绝望的情况。

假设真实的因果图是：

X → C ← U (未观测) ↓ ↑ Y

其中 U 是一个未观测的对撞变量。

不幸的是，没有任何可观测变量的调整能够完全消除这种偏差。你能做的最多是意识到这个问题的存在，并在解释结果时加上适当的警示。

5.3 对撞变量检验清单

现在我给你一个实用的检验清单，帮助你在自己的因果图中识别对撞变量：

Q1. 我的因果图中，有哪些变量同时被至少两个其他变量指向？ (逐一列出) Q2. 对于每一个这样的变量 C： ✓ 问自己：" X 导致 C 吗？" ✓ 问自己：" Y 导致 C 吗？" ✓ 问自己：" Z 导致 C 吗？" (如果有其他变量) 如果至少两个答案是"是"，那 C 就是对撞变量。 Q3. 对于每一个识别出的对撞变量 C： - 我在我的回归模型中是否控制了 C？ - 我是否通过条件化（subgroup analysis）隐性控制了 C？ (比如"在已婚人群中的分析"，这隐性地控制了"婚配"这个对撞变量) - 如果是，我需要重新思考这个决定

5.4 对撞变量的常见真实案例

为了让这个抽象的概念更具体，我列举三个在真实研究中高频出现的对撞变量陷阱：

案例 A：样本选择偏差

能力 → 样本进入 ← 选择意愿 ↑ 对撞变量

研究问题："教育对收入的影响"

踩坑方式：你只用调查数据中"有工作的人"来估计教育的回报率，结果发现"教育效应很小"。

为什么？你控制了对撞变量"是否被调查"。能力强的人即使没受教育也能找到高薪工作，而能力弱的人可能需要教育来补偿。这在"有工作人群"中创造了教育和能力的虚假负相关。

✅解决方案：用全样本人口（包括失业者），或者至少意识到这个偏差的存在。

案例 B：协变量失衡（Covariate Imbalance）在非随机处理中

混淆因子 → 接受处理 ← 处理意愿 ↑ 对撞变量

研究问题："参加培训项目对就业的影响"

踩坑方式：用倾向得分匹配（PSM）但错误地"限制在共同支撑（common support）区间内"，不小心控制了一个对撞变量。

为什么？共同支撑区间本身就是一个对撞变量——既取决于谁真正接受培训，也取决于谁的特征被认为"适合"这个项目。

✅解决方案：理解 PSM 的目的是重新加权，而不是"过度筛选"样本。

案例 C：调查响应偏差

社会经济特征 → 调查响应 ← 对调查感兴趣程度 ↑ 对撞变量

研究问题："工作满意度对生产率的影响"

踩坑方式：通过调查收集工作满意度数据，但你的样本只包括了"愿意回答调查"的员工。然后你用回归分析工作满意度对生产率的影响。

为什么出错？工作满意度和生产率在原始人口中可能无关或正相关，但在"愿意回答调查的人"这个子集中，两者会产生虚假相关性。

✅解决方案：意识到这个限制，分别报告不同响应率的子样本结果，并进行敏感性分析。

5.5 小结：后门路径 vs 对撞变量

到这里，你已经掌握了两个最关键的路径概念。让我用一个对比表总结：

提示：在实际科研工作中，对撞变量是比后门路径更隐蔽、更容易被忽视的问题。很多发表的论文其实都犯了对撞变量的错误，只是没有被发现。这也是为什么审稿人要求进行多种稳健性检验——以防你无意中踩了这个坑。

六、从因果图到识别策略：选择你的研究设计

画好因果图只是第一步。下一步是根据图的结构，选择合适的识别策略——即选择用什么方法来估计因果效应。

这一步至关重要，因为：

• 同一个研究问题，不同的因果图结构，需要用完全不同的方法
• 有些因果图结构下，根本无法识别因果效应（这种叫"不可识别"）
• 有些结构下，你需要强假设；有些结构下，假设较弱

6.1 三种基本的识别策略

根据因果图中 X 和 Y 的相对位置与路径结构，因果推断有三种根本不同的识别策略：

策略 1：控制后门路径（Back-door Adjustment）

适用场景：

Z ← U → X → Y ↑ ↑ └──────┘ (后门路径)

逻辑：控制阻断所有从 X 指向 Y 的后门路径的变量 Z。

实现方法：

• 多元线性回归（控制 Z）
• 倾向得分匹配（PSM）
• 回归不连续设计（RDD）
• 双重差分法（DID）

优点：实现简单，假设明确

缺点：需要观测到所有混淆变量（不能有未观测混淆）

策略 2：使用工具变量（Instrumental Variables）

适用场景：存在未观测混淆变量，无法完全控制

U → X → Y ↑ ↑ ↑ | | | +→ IV +─┘ (IV 只通过 X 影响 Y)

逻辑：找一个"工具变量"IV，它影响 X 但不直接影响 Y（只通过 X 的影响传递）。

实现方法：

• 两阶段最小二乘法（2SLS）
• GMM 估计

优点：可以处理未观测混淆变量

缺点：需要找到有效工具变量很难；工具变量假设本身也难以验证

策略 3：前门调整（Front-door Adjustment）

适用场景：

U → X → M → Y ↓ ↑ └───────┘ (但没有直接的 X → Y，且 U 不影响 Y)

逻辑：通过中间变量 M 来估计总效应（即使存在未观测混淆 U）。

实现方法：

• 分步回归法
• 路径分析
• 结构方程模型（SEM）

优点：可以处理某类未观测混淆

缺点：需要满足非常严格的假设；实际中很少见

6.2 决策树：该用哪种识别策略？

┌─ 你的因果图中存在后门路径吗？ │ ├─ YES ──→ 你能观测到所有后门路径上的变量吗？ │ │ │ ├─ YES ──→ 使用"后门调整" │ │ (多元回归 / PSM / RDD / DID) │ │ │ └─ NO ──→ 你能找到有效的工具变量吗？ │ │ │ ├─ YES ──→ 使用"工具变量法"(2SLS) │ │ │ └─ NO ──→ 估计因果效应"不可识别" │ (需要收集更多数据或加强假设) │ └─ NO ──→ 你有可靠的中间变量 M 吗？ │ ├─ YES ──→ 使用"前门调整" │ └─ NO ──→ 使用"后门调整"(只需控制直接混淆)

七、真实案例深度分析

现在让我用《The Effect》书中的两个经典案例，展示如何从研究问题出发，画出因果图，识别路径，最后得出结论。

案例 1：葡萄酒与长寿的悖论

研究问题："适量饮酒是否延长寿命？"

背景

在过去 20 年里，大量观察性研究发现：与完全不饮酒的人相比，适量饮酒者的寿命更长。这个发现甚至被媒体广泛传播为"适量喝酒有益健康"的科学依据。

但等等，因果图来说话

让我们画出这个问题的因果图：

健康状况(Health) ↑ ↑ | | 社会经济地位 → 饮酒习惯 → 寿命 (SES) (Alcohol) (Lifespan) | ↑ |______________________| (后门路径) 焦虑/抑郁 ← Stressor → 饮酒行为 | | └─→ 寿命 ←──────────┘ (未观测混淆)

关键变量及其因果关系：

• SES：同时影响饮酒习惯和寿命（有钱的人既更可能适度饮酒，也因为医疗条件好而活得更长）
• 焦虑/抑郁：导致过度饮酒的人通常有更多心理问题，这本身会缩短寿命；而完全不饮酒的人中，有些是因为健康已经很差才戒酒

观察数据中看到什么？

简单地对比"适度饮酒者"和"非饮酒者"的平均寿命，你会看到前者寿命更长。但这是：

总相关性 = 直接因果效应 + 后门路径偏差 + 对撞变量偏差 = ??? + (+) + (++因为戒酒者可能有隐性健康问题)

正确的识别策略

根据后门标准，你需要控制：

1. SES（阻断后门路径）
2. 基线健康状况（阻断"不健康的人选择戒酒"这个对撞变量）
3. 其他风险因子（年龄、运动习惯等）

一旦你这样做，在随机对照试验和精心控制的观察性研究中，适度饮酒的保护效应完全消失或大幅减弱。

结论

"葡萄酒延长寿命"这个发现其实是因果图中的幽灵相关性（spurious correlation）——完全由混淆变量造成。

教训：当某个因果发现过于"符合我们的直觉或希望"时，一定要拿出因果图来质疑。

案例 2：在线课程与辍学率（完整分析）

这是《The Effect》中的真实案例。

研究问题："参加在线课程是否降低大学辍学率？"

数据观察

一所大学的数据显示：参加在线课程的学生辍学率（15%）低于未参加的学生（20%）。

初步结论看起来是："在线课程有保护效应，能降低辍学风险。"

因果图分析

但让我们画出真实的数据生成过程：

种族/性别/年龄 ──┐ ├→ 学业表现 → 在线课程选择 → 辍学 社会经济地位 ────┤ (更好学生有 │ 更多选择) 工作时长 ────────┘ 同时：学业表现 ──→ 辍学 (直接效应)

关键发现：在线课程不是随机分配的。选择在线课程的学生通常是学业表现更好、背景更优越的学生。

这意味着：

• 学业表现（基础能力强）→ 既增加选择在线课程的概率，也直接降低辍学风险
• 这产生了一条后门路径：学业表现 → 在线选择与学业表现 → 辍学

应用后门标准

控制所有学生的基线学业表现和背景特征后，在线课程对辍学率的因果效应消失或反向（即可能略微增加辍学率）。

更深层的识别

进一步分析后，研究者发现了一个对撞变量：

学业能力 ──┐ ├→ 能否成功完成在线课程 学业焦虑 ──┘ (这是对撞变量)

没有观测到学业焦虑的数据。因此，简单地按"是否完成了在线课程"来分组，实际上控制了一个对撞变量，打开了虚假的后门路径。

最终结论

正确的因果推断表明：在线课程对辍学率没有显著因果效应，甚至可能略微增加风险（对于某些学生群体）。

教训：

1. 不是所有观察到的相关性都指向因果关系
2. 必须显式绘制并分析因果图
3. 即使控制了所有可观测变量，如果因果结构本身有问题（如对撞变量），结论仍然会被污染

八、AI 辅助工具包：用 AI 加速因果图分析

好消息是：因果图虽然概念深，但绘制和分析过程完全可以用 AI 来辅助和加速。下面我提供一套 Prompt 工具包，你可以直接复制到 Claude / ChatGPT 中使用。

Prompt 1：帮你列出所有潜在混淆变量

我正在研究："[你的研究问题]" 处理变量是：[处理变量名] 结果变量是：[结果变量名] 请头脑风暴所有可能： 1. 同时影响处理变量和结果变量的变量 2. 影响处理变量分配的背景变量 3. 可能被忽视的未观测变量 对每个变量，请： - 说明它为什么影响处理变量 - 说明它为什么影响结果变量 - 评估这是"必然混淆"还是"可能混淆"

示例应用（在线课程案例）：

我正在研究："在线课程是否影响大学辍学率" 处理变量是：参加在线课程 结果变量是：大学期间辍学 请头脑风暴...

AI 的输出示例：

观测混淆变量： 1. 学业表现（GPA）： - 影响在线课程选择：好学生更有能力学好在线课程 - 影响辍学：好学生更不容易辍学 - 类型：必然混淆 ⚠️ 2. 社会经济地位（SES）： - 影响在线课程选择：富裕学生有更好的网络环境 - 影响辍学：富裕家庭学生经济压力小 - 类型：必然混淆 ⚠️ 未观测混淆变量： 1. 学业焦虑/心理健康：可能导致学生既选择在线课程（认为压力小） 又容易辍学 2. 父母期望：影响选课方向和完成度

Prompt 2：识别因果图中的对撞变量

基于以下因果关系，帮我识别对撞变量： [列出你的因果图的所有箭头关系，格式如： A → C B → C C → D ... ] 对每个对撞变量，请： 1. 清楚地指出它是什么 2. 说明为什么不应该控制它 3. 如果我的分析中控制了它会发生什么

示例应用（选择性偏差案例）：

A = 学术能力 B = 运动天赋 C = 被名牌大学录取 D = 未来收入 关系： A → C B → C C → D A → D (直接效应) 帮我识别对撞变量...

AI 的回答：

对撞变量：被名牌大学录取（C） 原因： - A（学术能力）指向 C - B（运动天赋）指向 C - 因此 C 是对撞变量 问题所在： 如果你只用"名牌大学学生"的样本分析"学术能力→收入"， 你隐性地控制了对撞变量 C，打开了虚假路径： A ← B (虚假负相关) 这会让学术能力的预测性被低估。 建议： 使用全国高中生样本（包括未被录取者）， 而不要只看名牌大学学生。

Prompt 3：判断应该控制哪些变量

我的因果图是： [用箭头列出你的因果关系] 我想估计 X 对 Y 的因果效应。 请帮我： 1. 列出所有从 X 到 Y 的路径 2. 识别哪些是后门路径，哪些是前门路径 3. 根据后门标准，建议我应该控制哪些变量 4. 警告我哪些变量绝对不应该控制（对撞变量、后代） 5. 给出三个不同的控制变量集合（最小/中等/保守）， 比较它们的优缺点

示例应用：

我的因果图是： 处理：OnlineClass 结果：Dropout 关系： SES → OnlineClass Race → OnlineClass Age → OnlineClass Gender → OnlineClass SES → AvailableTime → Dropout Race → Academics → Dropout Age → Academics OnlineClass → AvailableTime OnlineClass → Academics AvailableTime → Dropout Academics → Dropout 我想估计 OnlineClass → Dropout 的因果效应。 请帮我...

Prompt 4：自动生成因果图（文字描述→可视化）

我的研究背景是： [详细描述你的研究情境，包括： - 处理变量是什么 - 结果变量是什么 - 你认为的关键变量有哪些 - 变量之间的因果逻辑] 请帮我用 Graphviz 或 Mermaid 代码生成因果图的可视化代码。 输出格式要求： - 清晰标注处理变量和结果变量 - 用不同颜色区分观测变量和未观测变量 - 标注所有重要的路径

输出示例（Mermaid 格式，可直接在 Obsidian、Notion、GitHub 中渲染）：

graph LR SES[SES<br/>社会经济地位]:::observed Race[种族]:::observed OnlineClass[在线课程选择]:::observed AvailableTime[可用时间]:::observed Academics[学业表现]:::observed Dropout[辍学]:::observed U3[隐性偏见]:::unobserved SES --> OnlineClass Race --> OnlineClass SES --> AvailableTime Race --> Academics U3 --> Race U3 --> Academics OnlineClass --> AvailableTime OnlineClass --> Academics AvailableTime --> Dropout Academics --> Dropout classDef observed fill:#e1f5ff,stroke:#01579b,stroke-width:2px classDef unobserved fill:#f3e5f5,stroke:#4a148c,stroke-width:2px,stroke-dasharray: 5 5

Prompt 5：敏感性检验建议

基于我的因果图，假设存在未观测混淆变量。 请为我设计一个敏感性分析计划，包括： 1. 最可能被遗漏的未观测变量是什么？ 2. 这个变量需要多强的效应，才能推翻我的主要结论？ 3. 建议我生成什么样的虚拟数据来进行蒙特卡洛模拟？ 4. 用 R / Python 代码实现这个敏感性分析 主要结论是：[你估计的因果效应及其统计检验结果]

使用建议

第一次使用时的工作流：

Step 1：用 Prompt 1 列出混淆变量 (5 分钟) ↓ Step 2：用 Prompt 4 生成因果图 (10 分钟) ↓ Step 3：用 Prompt 3 判断控制变量 (10 分钟) ↓ Step 4：用 Prompt 2 检查对撞变量 (5 分钟) ↓ Step 5：进行实际分析 ↓ Step 6：用 Prompt 5 做敏感性分析 (15 分钟) 总耗时：约 45 分钟，但能把你的因果思考从"模糊"推进到"清晰"

九、常见问题解答

Q1：如果我没有完整的因果假设，该怎么办？

A：诚实地说出来。在论文中写："基于现有理论，我认为主要的混淆变量包括 X、Y、Z。但承认可能存在未观测混淆 U。"然后进行敏感性分析，量化未观测混淆需要多强才能推翻你的结论。这比装作"没有混淆"更科学。

Q2：DAG 需要"完全正确"吗？

A：不需要。因果图是你对数据生成过程的最佳理解，会随着新知识而演进。关键是你的图要包含你所知的所有重要变量和关系，而不是追求"完美"。

Q3：我的论文已经发表了，才意识到犯了对撞变量的错误。现在怎么办？

A：考虑发表一个技术注记或勘误。比如："我们的原始分析在子样本上控制了对撞变量，导致可能的偏差。在全样本上重新估计的结果为……"

许多顶级期刊接受这样的更正，这实际上增强了你作为学者的可信度。

Q4：因果图和贝叶斯网络有什么区别？

A：从图的角度看，它们在结构上相同。不同之处在于：

• 因果图（DAG）：强调因果关系，用于因果推断
• 贝叶斯网络：强调概率推理，用于概率计算

在许多应用中，两者可以互补使用。

Q5：我应该在所有研究中都画因果图吗？

A：如果你的研究有因果推断的意图（比如"X 对 Y 的影响"），答案是绝对是。即使是在随机对照试验中，因果图也能帮助你思考干扰变量和异质性效应。

📚 进阶阅读建议

• 核心书籍：Nick Huntington-Klein 的《The Effect》（中文版《效应：研究设计和因果性导论》）—— 这篇博文的原始素材来源
• 经典教科书：Judea Pearl 的《Causality: Models, Reasoning, and Inference》（必读，但技术性很强）
• 应用指南：Paul Bürkner 等人的在线 DAG 资源 (DAGitty - drawing and analyzing causal diagrams (DAGs)) —— 可视化工具
• R 包推荐：dagitty（画 DAG）、ggdag（美化 DAG）、sensemakr（敏感性分析）

📚 致读者的话

如果你读到这里，我想向你道一声感谢。

因果推断是现代科研中最重要、也最容易被误用的方法。在我担任科研知识分享博主的这几年里，我发现：很多研究者的困境不在于不会跑统计模型，而在于不知道"什么时候应该用什么模型"。

因果图就是这样的一个工具——它不会直接给你答案，但它会帮你问对问题。

这篇文章的目的，就是让你从"盲目地控制变量"升级到"有理论依据地选择变量"；从"相信统计软件的输出"升级到"理解数据的生成逻辑"。

希望下次当你看到一个意外的研究结果、或者被审稿人质疑"遗漏变量"时，你能够画出因果图，清晰地说出：

"这是我的因果假设。这是我控制的变量。这是我没有控制的理由。这是可能的遗漏混淆。"

这，就是科研专业精神的体现。

附录：因果图绘制工具速查