Bayesian Networks

核心概念定义

贝叶斯网络（Bayesian Network）是有向无环图（DAG），节点是随机变量，有向边表示条件依赖关系。它把高维联合概率分解为局部条件概率的乘积，让复杂系统变得可计算、可解释。

核心概念：

• DAG（有向无环图）：节点 A→B 表示 A 影响 B，图中不存在循环（A→B→C→A 不允许）。
• 条件独立：如果知道 C，A 和 B 就独立了，则称「给定 C，A 与 B 条件独立」——记为 A ⊥ B | C。
• d-分离：判断图中两个节点是否条件独立的图论规则。一旦理解 d-分离，就能从图结构直接读出独立关系，无需计算。
• 因果图 vs 相关图：贝叶斯网络表示的是依赖结构，不一定是因果。但如果边的方向与因果一致，它就成为因果图——可以回答「如果我干预 X，Y 会怎样」这种反事实问题。

马尔可夫毯：一个节点的所有信息都包含在其父节点、子节点、和共同父节点中——给定马尔可夫毯，该节点与图中其余节点独立。这是「局部信息充分性」的图论表达。

学科直觉

贝叶斯网络的核心直觉是：依赖关系有结构，结构可以用图表示，图可以推出独立关系。

三个直觉：

1. 图即假设：画一个贝叶斯网络，等于声明「我认为这些变量间的依赖是这样的」。每个缺失的边是一个独立假设，每个存在的边是一个依赖假设。显式化假设是科学的核心。
2. 控制变量不总是好的：在某些图结构下，控制一个变量反而引入偏差——伯克森悖论。比如同时控制「才华」和「努力」的样本中，「才华」和「努力」出现负相关，即使总体上正相关。
3. 因果方向决定可干预性：相关是无方向的，因果是有方向的。知道 A→B（因果），可以预测「干预 A 会改变 B」；只知道 A-B（相关），无法预测干预效果。

跨学科应用

因果推断：从相关到因果的方法论跃迁

传统统计只能给相关，贝叶斯网络（作为因果图）给了推断因果的工具。do-calculus（Judea Pearl）回答「如果我 do(X=x)（干预而非观察），Y 的分布如何变」——这是政策评估的核心问题。

商业：伯克森悖论与控制变量偏差

公司招人时同时要求「高学历」和「高经验」，结果在录用样本中发现「学历越高经验越少」——这是伯克森悖论：两个独立条件筛选后的样本会出现负相关。很多「我观察到 X 和 Y 负相关」的结论，其实是样本选择偏差。贝叶斯网络帮你看清这种偏差的图结构。

系统思维：识别反馈与依赖结构

组织系统中的依赖关系复杂——产品依赖研发、研发依赖招聘、招聘依赖预算、预算依赖产品营收。画出因果图，就能识别瓶颈和反馈环。没有图，只能凭直觉判断；有图，可以系统分析「如果我增加研发预算，6 个月后产品产出会如何变」。

医疗：混杂变量与因果推断

「喝咖啡的人心血管病多」——这是相关，不是因果。可能是「喝咖啡」与「压力大」相关，压力才是真因。贝叶斯网络帮医生识别混杂变量，做正确的因果推断——不是简单「控制所有变量」，而是只控制「后门路径」上的变量。

练习题

单选题

案例题

某电商公司发现「在优惠券使用率高的用户中，复购率反而低」。市场部得出结论「优惠券损害用户忠诚度」，建议减少发券。请用贝叶斯网络批判性分析。

参考答案：(1) 画因果图：可能的结构是 [价格敏感度] → [使用优惠券]，[价格敏感度] → [复购率]。价格敏感度是混杂变量——价格敏感的用户既爱用券又不爱复购。(2) 这是「观察 vs 干预」的差异：观察到的「用券用户复购低」是条件概率 P(复购|用券)，不是干预效果 P(复购|do(发券))。(3) 正确做法：随机对照实验——随机给一组用户发券，比较复购率差异，得到 do 效果。可能发现「对本来不价格敏感的用户，发券反而提升复购」。盲目根据观察相关砍掉优惠券，可能损害本来有效的渠道。这道题揭示：相关≠因果，干预≠观察——贝叶斯网络帮你看清这层差异。

反事实题