结构因果图（Structural Causal Graph, 简称SCG）是因果推理领域中核心的图形化工具，由因果推理奠基人Judea Pearl等人系统化完善，用于直观、形式化地表示变量之间的因果关系，是连接结构因果模型（SCM）与实际因果推断的关键桥梁，能够将抽象的因果机制转化为可可视化、可分析的图形结构，帮助研究者厘清变量间的因果传递路径、识别混杂因素，为干预分析和反事实推理提供基础框架。
一、核心定义
SCG本质是一种用于刻画系统内变量因果关系的图形表示，通常表现为有向无环图（DAG），部分复杂场景下（如包含未观测混杂因素或时序聚类变量）也可包含双向边或循环结构。其核心价值在于打破“相关性≠因果性”的认知局限，不仅能展示变量间的关联模式，更能明确变量间的因果方向、直接与间接影响，为从观测数据中提取因果信息、开展干预预测提供可操作的工具。
二、核心构成要素
SCG的结构由节点和边两大核心要素构成，各要素的含义与规则明确，确保因果关系的准确刻画：
1.节点（Node）：代表系统中需要研究的变量，分为两类——内生变量（V）和外生变量（U）。内生变量是模型内部可观察、可干预的变量，其取值由模型内其他变量决定；外生变量（又称噪声变量）是模型外部的背景变量，取值由系统外因素决定，通常为未观测的混杂因素或随机扰动，且假设各外生变量相互独立。例如在医疗研究中，“药物治疗”“病情恢复”是内生变量，“患者基因”“未记录的生活习惯”是外生变量。
2.边（Edge）：代表变量间的因果关系，分为两种核心类型：
\t￮有向边（→）：最核心的边类型，箭头从“原因变量”指向“结果变量”，表示前者是后者的直接原因，即原因变量的变化会直接影响结果变量的取值，这种指向关系对应结构方程中的赋值关系，体现了因果机制的单向性。例如“吸烟→肺癌”的有向边，表明吸烟是导致肺癌的直接因果因素之一。
\t￮双向边（↔）：用于表示未观测到的混杂因素，即两个端点的内生变量存在未被模型捕捉的共同原因（外生变量相关），这种边常见于半马尔可夫模型中，用于刻画隐藏的混杂关系。
此外，SCG的构建遵循明确规则：若变量Vj是决定Vi的函数fi的参数，则添加有向边Vj→Vi；若两个变量的外生变量相关或其对应的结构函数共享外生变量，则添加双向边Vj↔Vi，每个结构因果模型（SCM）都会诱导出唯一的SCG。
三、核心特征
SCG区别于普通关联图、贝叶斯网络的核心特征，决定了其在因果推理中的独特价值：
1.聚焦因果关系，而非仅描述相关性：这是SCG最核心的特征。普通统计图表仅能展示变量间的关联（如两个变量同时变化），但无法区分“因果”与“相关”；而SCG通过有向边明确因果方向，能够清晰区分“原因→结果”与“单纯关联”，例如区分“冰淇淋销量上升与犯罪率增加”的单纯关联，和“吸烟→肺癌”的因果关系。
2.支持干预分析（do-算子）：SCG可结合do-算子开展干预预测，即模拟“主动改变某个变量”后的结果。对SCG中变量X进行干预do(X=x)，本质是移除决定X的原有结构方程，将其替换为常数x，切断X与其父节点的因果联系，从而精准计算干预后其他变量的分布，这也是SCG用于决策分析的核心优势。
3.可识别混杂因素与中介变量：通过SCG的结构的分析，可快速识别影响因果推断的混杂因素（同时影响原因和结果的变量）和中介变量（传递原因对结果影响的中间变量），为去混杂、因果效应分解提供依据。例如在“学历→收入”的因果关系中，“工作经验”可能是混杂因素，“职业技能”可能是中介变量。
4.兼具直观性与严谨性：SCG将抽象的因果函数转化为可视化图形，便于研究者快速理解系统因果机制；同时其结构遵循严格的数学规则，与结构因果模型（SCM）一一对应，确保因果推断的严谨性，可用于验证因果假设、证伪不合理的因果模型。
四、典型结构
SCG中存在三种基础因果结构，是复杂因果网络的构建单元，涵盖了变量间的核心因果关系模式：
1.链结构（中介结构）：形式为X→Z→Y，其中Z是中介变量，负责传递X对Y的因果效应。这种结构中，X对Y的影响分为直接效应和间接效应，间接效应通过中介变量Z实现，分析时需注意不可随意控制中介变量，否则会割裂因果传递路径。例如“广告投放→品牌曝光→产品销量”，品牌曝光就是中介变量，广告投放通过提升品牌曝光间接影响销量。
2.叉结构（混杂结构）：形式为X←Z→Y，其中Z是X和Y的共同原因（混杂因素）。这种结构中，X和Y之间的关联的本质是Z的混杂作用，而非直接因果关系，若不控制Z，会导致因果效应估计偏差。例如“年龄←性别→收入”，性别是年龄和收入的混杂因素，直接观察年龄与收入的关联会忽略性别的影响。
3.对撞结构：形式为X→Z←Y，其中Z是X和Y的共同结果（对撞变量）。这种结构中，X和Y本身可能无直接关联，但控制Z后会产生虚假关联，导致因果推断偏差，这也是SCG分析中需要重点规避的误区。
五、与结构因果模型（SCM）的关联
SCG与结构因果模型（SCM）密不可分，二者是“图形表示”与“数学基础”的关系：
结构因果模型（SCM）是刻画因果关系的数学框架，由内生变量（V）、外生变量（U）、结构函数集（F）和外生变量联合分布（P(u)）组成，其中结构函数fi将每个内生变量Vi表示为其直接原因（父节点）和外生变量Ui的函数（Vi = fi(Pa(Vi), Ui)）。而SCG是SCM的图形化表达，SCM中的每个结构函数对应SCG中的一条有向边，内生变量和外生变量对应SCG中的节点，因此每个SCM都会诱导出唯一的SCG，SCG则将SCM中抽象的因果函数转化为直观的图形，便于开展后续的因果分析和推理。
六、应用场景
SCG作为因果推断的核心工具，已广泛应用于多个领域，核心价值在于为决策提供科学的因果依据，解决“干预后会产生什么结果”“如何优化决策以达成目标”等问题：
1.医疗领域：构建SCG刻画疾病、风险因素、治疗方案之间的因果关系，帮助医生分析疾病成因和治疗效果，识别影响治疗效果的混杂因素，制定个性化治疗方案。例如通过SCG分析“药物治疗→病情恢复”的因果路径，排除患者年龄、基础疾病等混杂因素的影响，评估药物的真实疗效。
2.机器学习与人工智能：用于因果学习模型的构建与可解释性提升，结合注意力机制等技术，从海量数据中筛选关键因果变量，捕捉复杂非线性因果依赖，解决传统机器学习“黑箱”问题，提升模型的可解释性和决策可靠性。例如在推荐系统中，通过SCG分析“用户行为→推荐结果→用户反馈”的因果关系，优化推荐策略。
3.经济学与政策分析：构建SCG分析经济变量（如利率、通胀、失业率）之间的因果关系，预测政策干预（如降息、减税）的效果，为政策制定提供依据。例如通过SCG分析“货币政策→投资规模→经济增长”的因果路径，评估货币政策对经济的影响程度。
4.工程与工业制造：用于系统优化和故障诊断，构建SCG刻画系统各部件、操作参数之间的因果关系，识别影响产品质量、系统可靠性的关键因素，优化生产流程。例如通过SCG分析“生产参数→设备运行状态→产品合格率”的因果关系，找到提升产品质量的关键干预点。
5.智能城市与交通：刻画交通流量、天气、突发事件等变量之间的因果关系，结合注意力机制的动态适应能力，实时捕捉因果关系变化，预测交通流量变化，为交通调度和城市规划提供支持。
七、关键补充说明
1.部分场景下，SCG可表现为部分指定的因果图（如摘要因果图），用于复杂时序系统或高维数据的简化分析，此时节点可代表变量集群，聚焦集群间的宏观因果关系，而非单个变量的微观关联，这种SCG可能包含循环结构，需结合d-分离、do-演算等方法开展分析。
2.SCG的核心优势在于“可解释性”和“干预性”，区别于贝叶斯网络（聚焦概率关联）、普通流程图（无因果指向），其本质是对现实世界因果机制的抽象，能够帮助研究者从“观测关联”迈向“因果干预”，解决传统统计无法回答的“为什么”和“如果这样会怎样”的问题。
