因果识别的核心目标是剥离混杂因素的干扰，精准估计处理变量（X）对结果变量（Y）的真实因果效应，避免将“相关关系”误判为“因果关系”。后门准则与前门准则是朱迪·珀尔（Judea Pearl）提出的两大核心识别方法，均基于结构因果图（DAG）开展分析，其中后门准则适用于混杂变量可观测的场景，前门准则则解决混杂变量不可观测时的因果识别难题，二者互补覆盖多数因果推断场景。
一、后门准则（Backdoor Criterion）
（一）核心原理
后门准则的核心思想的是：在结构因果图中，找到一组变量集合Z，通过“控制Z”阻断所有从X到Y的“后门路径”（即指向X、且会混淆X与Y因果关系的非因果路径），同时不破坏X到Y的直接因果路径，此时即可通过对Z的校正，估计出X对Y的真实因果效应。
1.核心定义与条件
给定处理变量X、结果变量Y，以及结构因果图中的变量集合Z，若Z满足以下两个条件，则Z符合后门准则，可用于校正混杂偏差：
•条件1：Z中不包含X的任何后代节点（避免因控制X的后代，阻断X到Y的间接因果路径，导致因果效应估计偏差）；
•条件2：Z能够阻断X与Y之间的所有后门路径（包括直接的混杂路径和条件化后可能打开的伪路径）。
补充说明：后门路径的核心特征是“包含指向X的箭头”，这类路径会让X与Y产生虚假相关（如X与Y均受Z影响，X←Z→Y即为典型后门路径）；伪路径则是既非X到Y的因果路径、也非后门路径，但会连通X与Y的路径，需通过控制Z阻断。
2.数学表达（校正公式）
若Z满足后门准则，X对Y的平均因果效应（ATE）可通过对Z的分层校正得到，核心公式为：
P(Y=y|do(X=x)) = ∑_z P(Y=y|X=x, Z=z)P(Z=z)
其中，P(Y=y|do(X=x)) 表示对X进行干预（模拟随机对照实验的干预效果），区别于单纯的观测关联；公式本质是通过Z的分布加权，消除混杂变量对X、Y的共同影响，还原X对Y的真实因果作用。
（二）实操案例
结合两个典型场景（医疗研究+互联网推荐），拆解后门准则的实操步骤（核心：画因果图→找后门路径→选Z集合→校正估计）。
案例1：新药疗效评估（基础场景）
1.研究问题：某新药（X，1=服用，0=未服用）对患者痊愈率（Y，1=痊愈，0=未痊愈）的真实因果效应，已知患者体重（W）会影响痊愈率，且患者的经济社会地位（Z）会同时影响体重（W）和服药选择（X），但经济社会地位数据可观测。
2.绘制因果图：X←Z→W→Y（X与Y的后门路径为X←Z→W→Y，Z和W均为混杂相关变量）。
3.识别后门路径与Z集合：
•后门路径：仅1条（X←Z→W→Y），包含指向X的箭头（Z→X），会混淆X与Y的因果关系；
•选择Z集合：可选{Z}或{Z,W}，均满足后门准则（不包含X的后代，且能阻断后门路径）；优先选{Z,W}，可更全面阻断混杂。
4.实操步骤（基于观测数据）：
•步骤1：收集观测数据，包含X（服药情况）、Y（痊愈情况）、Z（经济社会地位）、W（体重），样本量≥500，确保数据无严重缺失；
•步骤2：验证Z集合的合理性：检查Z中无X的后代（本例中X的后代仅可能是Y相关的中间变量，Z、W均非X后代），且控制Z、W后，X与Y的后门路径被阻断；
•步骤3：校正估计：采用分层回归或逆概率加权法，控制Z和W，估计X对Y的因果效应；
•步骤4：结果解读：若校正后X的系数显著为正（如系数=0.23，p<0.05），说明服用新药能使痊愈率平均提升23%，该结果剥离了经济社会地位和体重的混杂干扰，是真实因果效应。
案例2：快手视频时长预估（工业场景）
1.研究问题：视频时长（X）对用户观看时长（Y）的真实影响，已知视频时长（X）会直接影响观看时长（Y），但视频时长（X）同时会影响模型训练样本分布（长视频更易被模型选中），进而间接影响观看时长预估结果，存在混杂偏差。
2.绘制因果图：X→Y、X→样本分布（Z）→Y（后门路径为X→Z→Y，Z为混杂变量）。
3.识别Z集合：选择Z（样本分布）作为控制变量，满足后门准则（Z非X的后代，且能阻断X→Z→Y这条后门路径）。
4.实操步骤（基于后门调整）：
•步骤1：收集快手平台视频数据，包含X（视频时长）、Y（用户观看时长）、Z（样本分布特征，如长视频占比）；
•步骤2：采用后门调整法，对不同Z（样本分布）分层，分别估计X对Y的影响；
•步骤3：通过Distribution-Aware分位数预估方法，整合各分层的估计结果，消除Z的混杂干扰；
•步骤4：结果验证：离线评估显示，校正后模型预估精度提升2.8pp，在线实验中用户观看时长和播放数（VV）均实现增量提升，说明后门准则有效解决了时长混杂问题。
二、前门准则（Front-Door Criterion）
（一）核心原理
当前门准则的核心思想是：当X与Y之间存在不可观测的混杂变量（无法通过后门准则校正）时，若存在一组“中介变量M”，且M完全处于X到Y的因果路径上（X→M→Y），则可通过“拆分因果路径”（先估计X对M的效应，再估计M对Y的效应，最后合并），间接识别X对Y的真实因果效应，无需控制不可观测混杂变量。
1.核心定义与条件
给定处理变量X、结果变量Y，以及中介变量集合M，若M满足以下三个条件，则M符合前门准则，可用于间接识别因果效应：
•条件1：M切断了X到Y的所有直接因果路径（即X对Y的影响，只能通过M传递，无X→Y的直接路径）；
•条件2：X到M之间不存在后门路径（即X对M的影响无混杂，可直接估计）；
•条件3：M到Y之间的所有后门路径，均能被X阻断（即控制X后，M与Y的混杂被消除，可准确估计M对Y的效应）。
补充说明：前门准则的关键是“中介变量M的独立性”——M不受X与Y之间不可观测混杂变量的影响，且能完整传递X的因果效应，这也是其区别于后门准则的核心（无需依赖可观测混杂）。
2.数学表达（三步估计法）
若M满足前门准则，X对Y的平均因果效应（ATE）可通过三步估计得到，本质是拆分路径、合并效应：
•步骤1：估计X对M的因果效应（γ̂）：因X到M无后门路径，可直接通过观测数据估计（如回归系数）；
•步骤2：估计M对Y的因果效应（δ̂）：控制X后，M到Y无后门路径，可通过控制X的回归估计；
•步骤3：合并效应：X对Y的ATE = γ̂ × δ̂，即通过中介变量M的传递效应，间接得到X对Y的真实因果效应。
（二）实操案例
结合两个典型场景（公共卫生+教育教学），拆解前门准则的实操步骤（核心：画因果图→找中介变量M→验证前门条件→三步估计），突出其解决“不可观测混杂”的优势。
案例1：吸烟与肺癌的因果识别（经典场景）
1.研究问题：吸烟（X，1=吸烟，0=不吸烟）对肺癌（Y，1=患病，0=未患病）的真实因果效应，已知存在不可观测混杂变量U（如遗传因素，无法直接测量），U同时影响吸烟行为（X）和肺癌患病（Y），无法用后门准则校正。
2.绘制因果图：X←U→Y、X→M→Y（M为“肺部焦油积累”，是吸烟到肺癌的中介变量，且M不受U影响）。
3.验证M的前门条件：
•条件1：M切断X到Y的所有直接路径（吸烟只能通过焦油积累影响肺癌，无直接因果路径）；
•条件2：X到M无后门路径（遗传因素U不影响肺部焦油积累M，仅影响吸烟X）；
•条件3：控制X后，M到Y无后门路径（控制吸烟状态后，焦油积累M与肺癌Y的关联无混杂）。
4.实操步骤（三步估计）：
•步骤1：估计X对M的效应（γ̂）：收集观测数据（吸烟状态X、肺部焦油积累M），用回归估计得γ̂=0.6，说明吸烟人群的肺部焦油积累量平均比不吸烟人群高60%；
•步骤2：估计M对Y的效应（δ̂）：控制X（吸烟状态），用回归估计M对Y的系数，得δ̂=0.3，说明肺部焦油积累量每增加1单位，肺癌患病风险提升30%；
•步骤3：合并效应：ATE=0.6×0.3=0.18，说明吸烟对肺癌的真实因果效应为18%，即吸烟会使肺癌患病风险平均提升18%，该结果剥离了不可观测遗传因素的混杂干扰。
案例2：课程教学干预的因果评价（教育场景）
1.研究问题：课程目标设计（X，1=科学设计，0=随机设计）对学生考核达标率（Y，1=达标，0=未达标）的真实因果效应，存在不可观测混杂变量U（如教师责任心、疏忽程度），U同时影响课程目标设计（X）和考核达标率（Y），无法直接控制。
2.绘制因果图：X←U→Y、X→M→Y（M为“考核数据合理性预审”，是中介变量，即课程目标设计后，需经过预审才能开展考核，M不受U影响）。
3.验证M的前门条件：
•条件1：M切断X到Y的所有直接路径（课程目标设计只能通过预审M，才能影响考核达标率Y）；
•条件2：X到M无后门路径（教师责任心U不影响预审M，预审仅由客观标准决定）；
•条件3：控制X后，M到Y无后门路径（控制课程目标设计X后，预审M与达标率Y的关联无混杂）。
4.实操步骤（三步估计）：
•步骤1：估计X对M的效应（γ̂）：收集数据（X：课程目标设计类型，M：预审通过率），回归估计得γ̂=0.75，说明科学设计课程目标（X=1）的预审通过率，比随机设计（X=0）高75%；
•步骤2：估计M对Y的效应（δ̂）：控制X，回归估计M对Y的系数，得δ̂=0.8，说明预审通过率每提升10%，学生考核达标率提升8%；
•步骤3：合并效应：ATE=0.75×0.8=0.6，说明科学设计课程目标对学生考核达标率的真实因果效应为60%，即科学设计能使达标率平均提升60%，有效剥离了教师责任心等不可观测混杂的干扰。
三、后门准则与前门准则的核心对比
为便于快速区分和选择，结合原理、实操场景，总结两大准则的核心差异，明确适用边界：
•适用场景：后门准则适用于混杂变量可观测的情况（最常用，如多数观测性研究）；前门准则适用于混杂变量不可观测，但存在符合条件的中介变量M的情况（补充场景，需满足严格的中介条件）；
•核心逻辑：后门准则“直接阻断混杂路径”（控制Z），保留X→Y的因果路径；前门准则“拆分因果路径”（通过M传递），绕开不可观测混杂；
•关键条件：后门准则核心是“Z无X后代+阻断所有后门路径”；前门准则核心是“M切断X→Y直接路径+X→M无后门+M→Y后门可被X阻断”；
•实操难度：后门准则难度较低（只需找到可观测Z集合，校正方法成熟）；前门准则难度较高（需找到符合条件的M，且三步估计需严格验证）；
•典型案例：后门准则（新药疗效、视频时长预估）；前门准则（吸烟与肺癌、教学干预评价）。
四、总结
后门准则与前门准则是因果识别的两大核心工具，二者均基于结构因果图（DAG）开展分析，核心目标是剥离混杂、还原真实因果效应。后门准则是“阻断法”，通过控制可观测混杂变量实现校正，是观测性研究中最基础、最常用的方法；前门准则是“中介法”，通过中介变量拆分因果路径，解决不可观测混杂的识别难题，是后门准则的重要补充。
