科学哲学与科学方法论

原作者：Outis

Glymour 和 Scheines 并不把因果关系理解为一种需要深层本体论承诺的形而上学原始概念，而是将其理解为一种实践性的认识工具。它使真正的科学解释和在干预条件下的可靠预测成为可能。在他们的框架中，因果模型是对生成观察数据之机制的紧凑表征。它们使科学家能够解释，为什么某些依赖与独立模式会出现在经验分布之中，同时也能够预测假设性操控或政策变化的结果。

解释来自于这样一种能力：通过有向无环图追踪影响路径，识别直接效应与间接效应，从而说明观察到的规律，而不必诉诸临时性的参数设置。预测则从被动的关联性预测转向干预性推理。在后者中，模型会说明：如果某个变量被外部行动设定为特定值，概率分布将如何改变。

这一观点拒绝对科学的纯描述性理解，转而支持一种以主动操控性为导向的认识论。在这种认识论中，因果关系支撑着两个方面：一方面，它将分散的现象统一到共同机制之下；另一方面，它指导实验设计，以检验这些机制。通过将因果主张嵌入计算上可处理的图结构之中，Glymour 和 Scheines 将因果关系从一个哲学难题转化为一种操作性工具，使其能够推动各个经验领域中的科学理解。

对科学中纯关联统计的批判

Glymour 和 Scheines 对纯关联统计提出了持续性的批判。他们认为，普通回归、相关分析以及标准模型选择程序等技术，会系统性地混淆虚假的依赖关系与真正的因果影响，从而在背景条件发生变化时导致不可靠的推断和失败的预测。

这些方法把数据看作静态的共现模式，却无法区分两类关系：一种是在干预下仍然保持的关系，另一种是在共同原因被操控或选择机制发生变化时便会消失的关系。在观察性研究中，关联统计经常会产生误导性的政策建议，因为它无法区分混杂因素与直接因果关系，也无法发现会制造表面依赖关系的潜在变量。

作者通过形式化反例和模拟研究表明，即使在大样本条件下，回归系数和偏相关也常常无法恢复真实的因果效应。尤其当底层结构包含反馈、选择偏差或未被测量的混杂因素时，这一问题更加明显。

这种批判也延伸到科学哲学层面。它揭示出，如果科学研究依赖关联工具，就会削弱理论确证和实验设计的可靠性。相应地，他们主张采用图方法，因为图方法能够明确地将因果假设与数据中的条件独立约束进行检验。其结果是一种方法论改革的呼吁：科学研究应当优先追求因果可解释性，而不是只追求固定环境下的预测准确性。

因果图在理论检验与实验设计中的作用

因果图在理论检验中扮演核心角色。它提供了一种形式语言，能够通过因果马尔可夫条件和 d-分离准则，将实质性的科学假设转化为可检验的统计含义。

一个被编码为有向无环图的理论，会蕴含一组精确的条件独立关系，而这些关系必须在观察到的概率分布中成立。研究者可以系统性地将这些约束与数据进行比较，从而拒斥或保留候选模型，并识别出与证据一致的图的马尔可夫等价类。

这种方法回应了科学哲学中长期存在的欠决定性问题。它明确指出：理论中的哪些特征能够被经验地区分，哪些特征在没有额外假设或干预的情况下仍然处于模糊状态。

在实验设计中，因果图可以指导研究者选择最小化的干预目标，以及选择能够阻断混杂路径的协变量。这样既能最大化信息收益，又能最小化实验成本。因果图还能够显示何时必须进行随机化，何时观察性数据已经足够，并且支持敏感性分析，以量化结论对于假设违背的稳健性。

通过整合时间顺序、禁止边等背景知识，图方法将实验规划从非正式的直觉判断转化为一种有原则的、算法化的过程，并直接服务于科学发现与理论确证的目标。

与贝叶斯网络和结构方程模型的整合

Glymour 和 Scheines 发展出的图式因果建模方案，将贝叶斯网络与结构方程模型无缝整合起来，在同一个形式框架中统一了二者各自的优势。

贝叶斯网络提供概率语义和高效推理算法，使研究者能够围绕条件依赖关系进行推理；结构方程模型则提供参数化设定，使路径系数和潜变量的定量估计成为可能。

这一综合方案把有向无环图视为共同的表征核心。在其中，箭头既表示定性的因果影响，也表示定量的函数关系；而因果马尔可夫条件则允许联合分布被分解为若干部分。

这种整合使基于约束的发现算法能够在非参数假设或参数假设下运行，将经典路径分析扩展到高维环境中，同时保留线性系统的可解释性。在实践中，研究者可以从由领域知识导出的定性图开始，通过独立性检验不断修正图结构，然后再施加线性或非线性的结构方程，用于参数估计和预测。

其结果是一种混合方法论：它连接了科学哲学的定性洞见与统计学的定量严谨性，使因果模型既能被理论研究者使用，也能被应用科学家使用。

关于实在论、欠决定性与科学进步的哲学立场

Glymour 和 Scheines 采取了一种审慎的科学实在论。他们肯定可发现的因果结构的存在，同时也承认观察数据中普遍存在欠决定性问题。

他们认为，因果关系是世界中的真实特征；在明确假设的条件下，例如忠实性假设和因果充分性假设，科学可以可靠地恢复这些因果关系。但是，他们也强调，单靠数据通常只能识别出图的等价类，而无法确定唯一模型。

这种立场并不把欠决定性看作对实在论的根本障碍，而是把它看作一种可以处理的认识论挑战。研究者可以通过算法搜索、背景知识和有针对性的实验来应对这一挑战。

因此，科学进步被重新理解为：不断细化等价类，通过诸如 FCI 算法这样的扩展方法放松限制性假设，并积累干预性证据，从而缩小可行理论的空间。通过将科学发现形式化为一个以科学哲学为基础的计算过程，他们的方法提供了一种乐观但并不天真的科学进步观。它既反对工具主义的怀疑论，也反对关于“无理论数据挖掘”的过度乐观主张。

在社会科学、生物学和经济学中的应用

Glymour—Scheines 传统中的因果模型，已经广泛应用于社会科学、生物学和经济学之中。这些领域往往面临混杂因素、潜变量和政策评估等特殊困难，而因果模型正是用来处理这些问题的工具。

在社会学和政治科学中，图方法被用于重新分析地位获得模型和政策干预。它们揭示了传统回归方法容易忽视的隐藏选择偏差，并使研究者能够对社会机制作出更稳健的推断。

在生物学中，尤其是在基因组学和系统生物学中，基于约束的算法被用来从微阵列数据中重建基因调控网络。它们能够在考虑未观察调控因子的同时，识别复杂细胞过程中的因果通路。

在经济学中，这一框架支持反事实政策分析。它通过区分结构参数与简化形式的关联关系，帮助研究者评估税收、劳动力市场和发展项目等领域中的政策选择。在这些领域，随机实验往往不可行，因此因果模型尤其重要。

在这些不同领域中，因果模型促使研究实践从关联性假设检验，转向明确的因果搜索。由此产生的发现，也常常可以通过后续实验或准实验设计得到验证。

与 Pearl 的 do-演算和反事实方法的比较

尽管 Glymour—Scheines 方法与 Judea Pearl 的框架共享许多形式承诺，但它们在重点和方法论上有所不同。

Pearl 的 do-演算提供了一套完整的代数系统。当一个因果图已经给定时，do-演算可以用来从观察数据中识别因果效应。它关注的是如何通过 do-演算规则，将观察概率转化为干预分布。

相比之下，Glymour 和 Scheines 更重视通过基于约束的搜索，从数据中自动发现图本身。他们把图的恢复视为首要的认识论问题。

二者都强调图式表征和忠实性假设的重要性。但是 Pearl 的工作更重视反事实问题和潜在结果传统，而 TETRAD 项目则更强调等价类，以及在存在潜变量时使用的偏祖先图。

这两个传统并不是竞争关系，而是互补关系：Pearl 的识别理论在图被发现之后提供推理引擎；而 Spirtes、Glymour 和 Scheines 的发现算法则扩大了能够接受 Pearl 式分析的问题范围。当代研究越来越倾向于结合二者的优势：先使用发现工具构建因果图，再利用 do-演算进行计算，并进行反事实模拟。

延伸阅读

Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press，特别是第 7—10 章。

Spirtes, P., Glymour, C., & Scheines, R. “Causal Inference in the Social Sciences.” 该文被社会学方法论及相关研究领域引用。

Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.

Rosenberg, A. Philosophy of Science: A Contemporary Introduction，其中包含关于因果建模的部分。

Glymour, C. (2001). The Mind’s Arrows: Bayes Nets and Graphical Causal Models in Psychology. MIT Press.

Glymour, C., & Zhang, K. (2019). “Review of Causal Discovery Methods Based on Graphical Models.” Frontiers in Genetics.

Scheines, R. (2002). “Computation and Causation.” Philosophy of Science.

Peters, J., Janzing, D., & Schölkopf, B. (2017). Elements of Causal Inference: Foundations and Learning Algorithms. MIT Press.

Sobel, M. E. (2000). 关于因果推断文献的综述，引用 Spirtes、Glymour 与 Scheines。Journal of the American Statistical Association.

Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.