---
title: "因果模型（Causal Models）"
slug: causal-models
language: zh-TW
source: https://aiterms.tw/terms/causal-models
updated_at: 2026-06-23
tags: [機器學習, 因果關係, 貝葉斯方法, 圖模型, 統計推斷]
ipas_term: false
---

# 因果模型（Causal Models）

用數學或圖形方式表示變數間因果關係與機制的模型，包括結構方程模型與因果圖。

## 完整說明

因果模型（Causal Models）是因果推斷的核心工具，用數學或圖形符號表示變數之間的因果機制與依賴結構。常見的因果模型包括有向無環圖（DAG）、結構方程模型（SEM）、結構因果模型（SCM）等。因果模型不僅描述變數的統計關聯，更明確定義了「如果改變一個變數，其他變數將如何變化」的因果效應，是設計干預政策、進行反事實推理的理論基礎。

## 常見問題

### 什麼是碰撞變數（Collider），為什麼調整它會產生問題？

碰撞變數是有多個原因指向它的變數。在 DAG 中，例如「吸菸 → 肺癌 ← 遺傳傾向」，肺癌就是碰撞變數。統計上的性質是：在未調整肺癌的情況下，吸菸與遺傳傾向是獨立的（它們各自獨立影響肺癌，但不直接相關）。然而，一旦在分析中「調整」或「條件於」肺癌（例如在迴歸中納入肺癌作為控制變數），就會在吸菸與遺傳傾向之間誘發虛假相關。直觀解釋是：在已知肺癌的人群中，若某人吸菸少，則他很可能有強遺傳傾向才會患癌，因此吸菸少與遺傳傾向強產生相關。這稱為「碰撞偏誤」（collider bias）或「選擇偏誤」（selection bias）。所以，不應調整碰撞變數，除非有特殊的因果識別理由。

### 我怎麼知道是否畫對了因果圖（DAG）？

畫 DAG 的過程涉及主觀判斷與領域知識，難以完全客觀驗證。建議方法包含：第一，與領域專家協作確認因果方向與存在性；第二，檢查 DAG 是否與已知的科學證據（發表論文、教科書）一致；第三，進行敏感性分析（sensitivity analysis），測試 DAG 的小幅修改（如加入或移除某些邊）對因果識別結果的影響，若結論穩健則更有信心。第四，使用自動化工具（如 DAGitty、causalml）輔助檢查邏輯一致性。需要強調的是，DAG 是研究假設的形式化，而不是絕對真理；同一個現象可能有多個合理的 DAG 解釋，因此應在報告中明確陳述所用的 DAG 及其假設基礎。

### 結構因果模型（SCM）和一般的統計迴歸模型有什麼區別？

統計迴歸模型（如 Y = β₀ + β₁X + ε）描述 Y 與 X 的條件期望 E[Y|X]，用於預測；係數 β₁ 反映的是相關性調整後的關聯強度。SCM 則顯式地為每個變數指定因果方程與獨立噪聲項，並定義「干預」的形式化操作。最關鍵的區別是解釋：迴歸模型的「效應」（β₁）只在統計意義上有定義，不直接對應因果改變；SCM 中的「效應」對應真實的干預效果。例如，迴歸模型可能告訴你「每增加一年教育，收入期望增加 $5000」，但這是基於觀測相關性，可能受混淆（如動機高的人既多受教育又賺更多）；SCM 則會明確識別混淆變數，計算「強制多受一年教育」的真實因果效應，可能與迴歸係數大不相同。

---

來源：https://aiterms.tw/terms/causal-models
快查頁：https://aiterms.tw/terms/causal-models
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-causal-models