---
title: "結構因果模型（Structural Causal Model）"
slug: structural-causal-model
language: zh-TW
source: https://aiterms.tw/terms/structural-causal-model
updated_at: 2026-07-30
tags: [因果關係, 機器學習, 統計模型, 貝葉斯方法, 圖模型]
ipas_term: false
---

# 結構因果模型（Structural Causal Model）

用數學方程與有向無環圖表示變數間因果機制的模型，允許進行干預與反事實推理。

## 完整說明

結構因果模型（Structural Causal Model，SCM）由 Judea Pearl 提出，是現代因果推斷的數學基礎。SCM 將每個變數明確表示為其直接原因與獨立雜訊的函數，配合有向無環圖（DAG）表示因果結構。與傳統統計模型不同，SCM 能形式化「干預」（do-operator）的概念，進而區分觀測分布與干預後的分布，是進行因果識別、反事實推理與 AI 決策設計的理論基礎。

## 常見問題

### SCM 與普通的迴歸模型或結構方程模型（SEM）有什麼區別？

傳統 SEM 是統計模型，透過觀測資料估計變數間的路徑係數與方差，目標是描述資料的協方差結構；SEM 並不強制「因果」解釋，其參數可有多種因果與非因果的解釋。SCM 則是因果模型，明確定義每個變數的因果生成機制，並區分觀測與干預。關鍵區別是，SEM 估計的 P(Y | X) 仍是相關性意義上的，改變 X 的邊際分布（不執行干預）會改變 Y；SCM 中的干預則明確改寫方程，推導干預後的分布 P(Y | do(X = x))。SEM 與 SCM 有聯繫：SCM 在假設線性且誤差獨立時可簡化為 SEM 的形式，但 SCM 包含更多的因果語義。

### 我需要對 SCM 中的每個變數都有完整的方程嗎？

不一定。實務上，完整的 SCM 往往難以構築，特別是當系統大且複雜時。通常的做法是：第一，識別焦點因果關係：只針對關注的干預與結果進行詳細建模，其他變數可簡化或視為背景因素；第二，使用 DAG 表示粗粒度的因果結構，不一定每條邊都對應明確的數學方程；第三，部分邊可用一般函數 f 表示而不指定具體形式。這種「簡化 SCM」的方法犧牲了部分數學精確性，但在實務應用中更可行，並仍能保留因果推理的核心能力。

### 如果 SCM 有誤會怎樣？會導致完全錯誤的因果結論嗎？

有風險。SCM 的結論可靠性完全依賴於其假設的正確性。若因果結構有誤（如遺漏重要變數、錯誤的因果方向），基於該 SCM 的因果推導可能完全謬誤，且不易察覺。例如，若真實因果是 L ← S → G（吸菸既導致肺癌也導致遺傳傾向的顯著，後代中吸菸者傾向於有更多肺癌家族史），但建模時誤認為 G → S 與 G → L，導出的「吸菸因果效應」估計會被嚴重高估。應對策略包含：第一，依賴領域專家驗證因果假設；第二，蒐集多個資料源並進行交叉驗證；第三，進行敏感性分析，測試 SCM 假設的合理微小修改對結論的影響；第四，與實驗（隨機試驗）結果對比。

---

來源：https://aiterms.tw/terms/structural-causal-model
快查頁：https://aiterms.tw/terms/structural-causal-model
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-structural-causal-model