Rubin 潜在结果与因果 DAG d-分离

现代因果推断两大支柱理论体系（Donald Rubin 的潜在结果框架 Potential Outcomes Framework 与 Judea Pearl 的因果有向无环图 DAG / $d$-分离定理）是数据科学家在无法进行随机化 A/B 实验时，从观测数据中严密识别真实因果效应的最高理论武器；潜在结果基本问题：对于每个个体 $i$，我们永远只能观测到处理后结果 $Y_i(1)$ 或对照结果 $Y_i(0)$ 其中的某一个，另一个构成不可观测的反事实 (Counterfactual)；平均因果效应 $\text{ATE} = \mathbb{E}[Y(1) - Y(0)]$；Pearl 因果图三大基本结构：1) 链状 (Chain: $A \to B \to C$, 中介效应)；2) 叉状 (Fork: $A \leftarrow Z \to B$, $Z$ 为混杂变量 Confounder，打开伪相关，必须条件化 $Z$ 以阻断后门路径)；3) 对撞状 (Collider: $A \to C \leftarrow B$, $C$ 为对撞变量，严禁条件化 $C$，否则会诱发伯克森悖论打开虚假相关)；$d$-分离准则为消除混淆、选择控制变量提供了图论充要条件判定。

观察性研究策略评估、混杂变量识别与控制、因果识别后门准则 (Backdoor Criterion) 应用。

观测数据中“相关不等于因果”，盲目加入控制变量甚至会因为对撞偏差 (Collider Bias) 导致因果效应完全反转；DAG 与潜在结果理论提供了无懈可击的因果识别证明。

深入推导 Pearl 后门准则 (Backdoor Criterion) 与前门准则 (Frontdoor Criterion) 的数学公式与图拓扑阻断条件？

详细画出对撞偏置 (Collider Bias / Berkson's Fallacy) 的经典图拓扑，并用具体业务案例（如‘为什么才华横溢和高颜值在好莱坞明星中呈现负相关’）解释其产生机理？

潜在结果框架的三大核心假定：无混杂性 (Unconfoundedness / Ignorability)、重叠性/正权性 (Overlap / Positivity) 与 SUTVA 的现实业务意义？

Bad Controls（坏控制变量）识别：为什么在回归方程中控制了处于因果链中介位置的变量 (Mediator) 会导致真实因果效应被严重低估？

Do-Calculus ($do(X=x)$ 算子): 为什么 $P(Y | do(X=x))$（主动干预分布）与 $P(Y | X=x)$（被动条件观测分布）存在本质代数差异？