寒泊1. 什么是do-calculus？
想象你是一名医生，想要评估某种新药对患者的治疗效果。直接给所有患者用药并观察结果显然不现实，因为现实中存在各种干扰因素：患者的年龄、基础疾病、生活习惯等都可能影响最终疗效。这就是do-calculus要解决的核心问题——在无法进行理想实验的情况下，如何从观测数据中推断因果关系。
do-calculus由Judea Pearl提出，是一套用于因果推断的数学工具。它包含三条核心规则，能够将不可观测的干预概率P(y|do(x))转化为可基于观测数据估计的表达式。简单来说，它让我们能够回答"如果做了X，Y会怎样"这类反事实问题。
举个例子，电商平台想评估首页推荐位对商品销量的影响。直接比较推荐和不推荐商品的销量会有偏差，因为平台通常会把热门商品放在推荐位。do-calculus能帮我们消除这种"选择偏差"，得到真实的因果效应。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 理解基础概念
2.1 因果图与do算子
因果图是do-calculus的基础语言。它用节点表示变量，有向边表示因果关系。比如"吸烟→肺癌←污染"这个简单图中，吸烟和污染都会导致肺癌，但二者之间没有直接箭头。
do算子表示人为干预：do(X=x)意味着我们强制将X设为x，同时切断所有指向X的因果箭头。这模拟了随机对照实验的场景。与普通条件概率P(Y|X=x)不同，P(Y|do(X=x))排除了混杂因素的影响。
2.2 后门路径与前门路径
后门路径是指连接X和Y但不以X为起点的路径。比如在"X←Z→Y"中，X←Z→Y就是一条后门路径，Z就是混杂变量。前门路径则是所有从X出发指向Y的路径，如"X→M→Y"。
理解这两个概念很重要，因为后门准则和前门准则告诉我们哪些变量需要调整才能获得无偏的因果效应估计。后门准则适用于存在可观测混杂因素的情况，而前门准则适用于存在不可观测混杂但存在中介变量的场景。
3. do-calculus三条规则详解
3.1 规则一：忽略观测
当在干预后的图中（移除指向X的边），Y与Z在给定X和W的条件下独立时，可以去掉条件中的Z：
P(y|do(x),z,w) = P(y|do(x),w)
这相当于说，如果Z对Y的影响已经被X和W阻断，那么观测Z不会提供额外信息。比如在研究教育对收入的影响时，如果我们已经控制了能力和家庭背