do-calculus 为何不够用？因果效应普适可识别性研究新进展

因果推断领域长期依赖 do-calculus 作为核心工具，但一项新研究揭示了它的边界：在更一般的普适可识别性问题中，do-calculus 的规则不再完备。这篇论文不仅给出了 do-calculus 完备性的严格形式化定义，还解释了为何 uID 问题迟迟未能解决。

从经典可识别性到普适可识别性

因果效应识别旨在回答：仅凭观测数据和部分干预数据，能否唯一确定某个因果量？经典的可识别性（ID）问题只考虑观测分布，一般可识别性（gID）问题则限定于特定类型的干预分布。两者都有成熟的图形化判定准则，以及基于 do-calculus 和基本概率操作的计算算法。

论文提出的普适可识别性（uID）问题将上述两类问题统一推广：给定任意一组观测分布和/或干预分布，判断目标因果效应是否可识别。这一推广覆盖了更广泛的现实场景，例如当研究者只能获取某些干预下的数据，而干预集合本身是任意的时候。

do-calculus 是 Judea Pearl 提出的一套用于从因果图中推导干预分布的公理系统，包含三条核心规则（插入/删除观测、插入/删除干预、插入/删除动作），它们分别对应 d-分离等图条件。do-calculus 的可靠性（soundness）指规则推导出的表达式正确，完备性（completeness）指所有可识别的因果效应都能通过规则推导出来。在经典 ID 问题中，do-calculus 已被证明既是可靠的也是完备的。

ID、gID 与 uID 的区别：ID 问题仅给定观测分布，判断干预分布 P(y|do(x)) 是否可识别；gID 问题给定观测分布和某一类干预分布（如 P(v|do(z))），判断另一干预分布是否可识别；uID 则允许任意混合的观测分布和干预分布集合作为输入，判断目标因果量是否可识别。uID 的输入是分布集合而非单一分布，因此其可识别性定义需要处理多个分布之间的约束关系，这也是它比前两者更一般、也更困难的原因。

do-calculus 完备性：一个缺失的形式化定义

尽管此前工作已证明 do-calculus 在 ID 和 gID 问题中既可靠又完备，但论文指出，学界从未严格定义过“do-calculus 完备”究竟意味着什么。这种定义上的模糊性导致无法精确比较不同问题中 do-calculus 的能力边界。

作者为此提出了一个严格的形式化框架来刻画 do-calculus 的完备性，并在此框架下重新验证了先前工作的完备性结论依然成立。这一形式化本身具有独立价值：它为后续讨论 do-calculus 在更复杂问题中的表现提供了共同语言。

在因果推断文献中，“完备性”通常有两种含义：语义完备性指如果因果效应在某个因果模型类中可识别，则存在一个表达式能由允许的操作推导出来；语法完备性指推导系统能生成所有可识别的表达式。此前工作对 do-calculus 完备性的证明多依赖于构造性算法（如 ID 算法、gID 算法），但并未明确“do-calculus 规则集”与“基本概率操作”的边界——例如，是否允许使用条件独立假设、贝叶斯规则、边缘化等。论文的形式化定义正是要固定这些操作，从而精确刻画“仅用 do-calculus 能推出什么”。

普适场景下 do-calculus 不再完备

论文的核心结论是：当问题推广到 uID 时，do-calculus 的规则不再完备。换言之，存在某些在 uID 框架下可识别的因果效应，无法仅通过 do-calculus 的规则和基本概率操作推导出来。

作者推测，这正是 uID 问题长期悬而未决的原因——研究者一直试图在 do-calculus 的框架内寻找判定准则和计算算法，而该框架本身在普适设定下已经不够用了。这一发现提示，解决 uID 问题可能需要超越 do-calculus 的新推理规则或新的图形化判据。

可识别但不可推导的直观例子：假设我们有两个干预分布 P(y|do(x)) 和 P(z|do(x))，以及一个观测分布 P(x,y,z)，目标量是 P(y|do(x), do(z))。在 uID 框架下，某些情况下该目标量可由多个分布的组合唯一确定，但 do-calculus 的三条规则只能作用于单个分布内的图操作，无法跨分布组合信息，因此无法生成对应的表达式。这揭示了 do-calculus 的局部性：它设计用于单一分布内的干预推导，而 uID 需要跨分布的全局推理。

对因果推断实践的意义

对于应用因果推断的研究者而言，这项工作的价值在于明确了工具边界。当数据来源混杂了观测分布和多种干预分布时，不能默认 do-calculus 能给出全部可识别的因果效应。实践者需要意识到，某些效应虽然在理论上可识别，但现有基于 do-calculus 的算法可能无法找到对应的表达式。

论文并未给出 uID 问题的完整解法，但它将问题从“算法设计”层面提升到了“推理系统完备性”层面。后续研究若要突破 uID，可能需要引入新的识别规则，或重新审视干预分布集合的结构性质。

实践中的检查清单：当数据包含多个来源（如不同干预下的实验数据与观测数据混合）时，建议先判断问题是否属于 uID 范畴。若属于，则不应仅依赖 do-calculus 工具（如 DoWhy 等库中的识别算法），而应尝试基于分布集合的联合约束进行手动推导，或使用论文提出的形式化框架验证可识别性。此外，若目标效应在理论上可识别但 do-calculus 无法找到表达式，可能需要借助数值优化或半参数方法直接估计，而非寻找解析表达式。