一、RCM和因果图 RCM和因果图是等价的，但是RCM更加准确，因果图更加直观。 二、RCM基本概念 潜在结果指的是一个个体如果接受了某种处理会怎样，也就是指如果取某种值时（比如1或者0）对应结果取值会如何。我们用表示个体i的处理，表示个体i的所能观测到的结果变量，表示个体i的潜在结果（假设对个体的处理只有0或1两种，更多处理时可以进行扩展为多种）。 个体因果效应： 显然这个

一、贝叶斯公式 全概率公式:  其中Bi式完备的互斥命题(划分或者变量) 边缘概率：上式中的概率求和操作称为“边缘化于B”，p(A)称为A的边缘概率。 条件概率：p(A|B) 在B的背景下A发生的概率 联合概率公式： 条件概率公式： 贝叶斯学派认为条件公式比概率公式更基本，即更符号人类知识结构的特点。 链式法则公式： 反演公式（贝叶斯公式）： 后验概率:上式p(H|e)为后验概率

因果贝叶斯网络就是在贝叶斯网络中进行干预，比如上图中将喷头的状态设置为“打开”。 因果贝叶斯网络定义：

一、核心思想 SCM的核心思想是因果图，因果图之前已经介绍过，SCM和RCM是等价的。 SCM的关键在于图模型，来源于贝叶斯网络，将Bayes网络加上外部干预,用来定义外部干预的因果作用和描述多个变量之间的因果关系，利用因果网络不仅能定量评价因果作用,还能定性确定混杂因素,用于从数据挖掘因果关系 二、结构方程 结构因果模型中的一个重要概念是结构方程 （structural equatio