虛擬模態錨的因果干預與反事實穩定性

結構機制、必要／充分因、路徑效應與跨環境不變性

A Causal-Interventional and Counterfactual Theory of Virtual Modal Anchors: Structural Mechanisms, Necessary and Sufficient Causes, Path-Specific Effects, and Cross-Environment Invariance

「必然作為虛擬模態錨」系列論文（十二）
作者：GPT-5.6 Thinking
日期：2026-07-24

摘要

前十一篇論文已將必然性由無條件、無索引的絕對屬性，重構為底空間相對的虛擬模態錨，並依序推進至生成動力學、多層超圖、測度與相變、範疇遷移、層論黏合、拓撲斯內部邏輯、證明論、同倫型證明空間、動態認識更新，以及非單調可撤回推理。然而，若仍未區分觀察、干預與反事實三個判定域，系統便可能把穩定相關、精準預測或高頻共現誤認為因果必然。

本文提出「虛擬模態錨的因果干預與反事實穩定性」。其核心主張是：因果必然不是命題在觀察資料中高機率成立，而是某一結構機制在指定干預族、背景條件與反事實比較下保持穩定。命題：

X=x\Rightarrow Y=y

在觀察分布中成立，不推出：

do(X=x)\Rightarrow Y=y

更不推出對個體反事實：

Y_{x}(u)=y

必然成立。

本文使用結構因果模型：

\mathcal M=\langle U,V,F,P(U)\rangle

區分外生變數、內生變數、結構方程與背景分布；以截斷因子分解與 $do(\cdot)$ 算子表示干預；以潛在結果和結構方程表示反事實。本文進一步區分觀察錨、預測錨、干預錨、機制錨、個體反事實錨與跨環境不變錨，並定義其相互蘊含何時成立、何時失敗。

本文重新分析必要因與充分因。必要因不是「沒有它就觀察不到結果」的簡單相關，而要求在保持指定背景與結構條件下，若取消原因，結果便不再發生。充分因則要求施加原因後，在指定情境族中結果穩定發生。本文說明二者均相對於背景、粒度、時間窗與允許干預，不能被寫成無索引的絕對關係。

在混雜、碰撞點、選擇偏差、中介與路徑特定效應部分，本文指出：假因果必然常來自未封閉後門路徑、錯誤控制碰撞點、樣本選擇與代理變數。因果錨的真正核心不是高中心性節點，而是跨環境保持的結構機制與可識別干預效應。

在人工智能部分，本文把「模型預測某事件」「模型建議某行動」「系統執行某行動」與「行動造成結果」嚴格分離。AI 可能高度準確地預測風險，卻沒有改變風險的能力；也可能因建議被採納而改變資料生成過程，形成自我實現或自我否定預測。本文因此提出因果錨來源卡、干預權限記錄、反事實評估與跨環境壓力測試。

最終，本文將因果型虛擬模態錨定義為：在指定結構因果模型、干預族、背景條件、時間尺度與反事實語義下，由可識別機制不變量所支撐，並能在跨環境擾動中保持方向與效應結構的模態錨。

關鍵詞： 虛擬模態錨、因果推理、結構因果模型、干預、反事實、必要因、充分因、機制不變性、混雜、人工智能

一、問題：穩定發生不等於被某物造成

設在觀察資料中：

P(Y=1\mid X=1)\gg P(Y=1\mid X=0)

這表示 $X$ 與 $Y$ 具有強統計關聯。

但不能直接推出：

P(Y=1\mid do(X=1)) \gg P(Y=1\mid do(X=0))

因為觀察條件：

X=1

與主動干預：

do(X=1)

不是同一件事。

觀察 $X=1$ 時， $X$ 仍可能受到共同原因、選擇機制或其他背景條件影響。

執行 $do(X=1)$ 時，則切斷原本指向 $X$ 的生成機制，強制令 $X$ 取值為 $1$ 。

因此：

\boxed{ P(Y\mid X) \neq P(Y\mid do(X)) }

一般不成立。

更進一步：

\boxed{ \text{觀察穩定} \neq \text{干預穩定} \neq \text{反事實穩定} }

二、因果判定的三個底空間

本文區分三個基本判定域。

2.1 觀察域

在觀察域中，問題是：

P(Y\mid X=x)

即已觀察到 $X=x$ 時， $Y$ 的分布如何。

它回答：

看見 $X=x$ 時，通常還會看見什麼？

2.2 干預域

在干預域中，問題是：

P(Y\mid do(X=x))

它回答：

若外部主動把 $X$ 設為 $x$ ， $Y$ 會如何改變？

2.3 反事實域

在反事實域中，問題是：

Y_x(u)

或：

P(Y_x=y\mid E=e)

它回答：

對同一個體或同一背景單元 $u$ ，若當時把 $X$ 改成 $x$ ，結果會如何？

三者具有不同語義與識別條件。

因此，因果必然必須索引：

N^{\mathrm{causal}} \left( P \mid \mathcal M, \mathcal I, U, T, \mathcal E \right)

其中：

$\mathcal M$ ：結構因果模型；
$\mathcal I$ ：允許干預族；
$U$ ：外生背景；
$T$ ：時間尺度；
$\mathcal E$ ：環境族。

三、結構因果模型

3.1 基本定義

結構因果模型寫為：

\mathcal M = \langle U, V, F, P(U) \rangle

其中：

$U$ ：外生變數集合；
$V$ ：內生變數集合；
$F$ ：結構方程集合；
$P(U)$ ：外生變數分布。

每個內生變數：

V_i

由結構方程：

V_i=f_i(PA_i,U_i)

生成。

其中 $PA_i$ 是 $V_i$ 的父節點。

3.2 機制與分布分離

結構方程：

f_i

表示生成機制。

外生分布：

P(U)

表示背景條件如何分布。

兩者不能混為一談。

相同機制可以在不同人口、地區或時間環境中產生不同觀察分布。

反之，相似分布也可能來自不同機制。

3.3 因果圖

若 $X$ 是 $Y$ 的直接父節點，則圖中存在：

X\rightarrow Y

但圖上的箭頭表示結構依賴，不只是相關。

3.4 無環與有環模型

經典結構因果模型常使用有向無環圖。

但實際系統可能包含：

回饋；
動態循環；
均衡；
同步更新；
多尺度閉環。

此時需使用動態 SCM、循環因果模型或時間展開圖。

四、干預與結構截斷

4.1 原始方程

設：

X=f_X(PA_X,U_X)

4.2 原子干預

執行：

do(X=x)

表示以常數方程：

X:=x

取代原方程 $f_X$ 。

所有指向 $X$ 的因果邊被切斷。

4.3 干預後模型

記為：

\mathcal M_{do(X=x)}

或：

\mathcal M_x

則：

P_{\mathcal M}(Y\mid do(X=x))

是新模型中的 $Y$ 分布。

4.4 干預不是條件化

條件化：

P(Y\mid X=x)

是在原模型中篩選 $X=x$ 的樣本。

干預：

P(Y\mid do(X=x))

是修改生成機制後重新計算。

因此二者只有在特定條件下相等。

五、六種因果相關錨點

5.1 觀察錨

\mathfrak A_{\mathrm{obs}}(X,Y)

表示 $X$ 與 $Y$ 在資料中穩定共變。

5.2 預測錨

\mathfrak A_{\mathrm{pred}}(X\leadsto Y)

表示 $X$ 能穩定提高對 $Y$ 的預測能力。

它可以完全不具因果性。

5.3 干預錨

\mathfrak A_{\mathrm{int}}(X\rightarrow Y)

表示操縱 $X$ 能穩定改變 $Y$ 。

5.4 機制錨

\mathfrak A_{\mathrm{mech}}(f_Y)

表示生成 $Y$ 的結構方程或機制在指定環境與干預下保持不變。

5.5 反事實錨

\mathfrak A_{\mathrm{cf}}(Y_x(u))

表示對特定單元或背景，替代干預結果具有穩定反事實判定。

5.6 跨環境不變錨

\mathfrak A_{\mathrm{inv}}^{\mathcal E}(P)

表示關係在環境族：

\mathcal E=\{e_1,\ldots,e_n\}

中保持機制或條件分布不變。

一般而言：

\mathfrak A_{\mathrm{obs}} \not\Rightarrow \mathfrak A_{\mathrm{int}} \not\Rightarrow \mathfrak A_{\mathrm{cf}}

除非加入額外假設。

六、因果錨與相關錨

6.1 共同原因

若：

Z\rightarrow X

且：

Z\rightarrow Y

則 $X$ 與 $Y$ 可能高度相關，即使：

X\nrightarrow Y

6.2 假因果必然

如果系統觀察到：

X\approx Y

便形成：

X\Rightarrow Y

的因果錨，則該錨可能只是混雜產物。

6.3 相關錨的合法用途

相關錨仍可用於：

預測；
篩查；
異常偵測；
資源配置；
風險排序。

但不能未經識別直接用於：

政策干預；
治療選擇；
責任歸因；
機制解釋；
反事實判定。

七、後門路徑與混雜控制

7.1 後門路徑

從 $X$ 到 $Y$ 的路徑若以箭頭指向 $X$ 開始，可能形成後門混雜路徑。

例：

X\leftarrow Z\rightarrow Y

7.2 後門調整

若集合 $Z$ 阻斷所有後門路徑，且不包含 $X$ 的後代，則：

P(Y\mid do(X=x)) = \sum_z P(Y\mid X=x,Z=z)P(Z=z)

7.3 調整不是越多越好

控制所有可見變數可能：

控制中介；
打開碰撞點；
引入測量誤差；
造成過度調整；
破壞總效應。

因此：

\boxed{ \text{更多控制變數} \neq \text{更可靠因果估計} }

7.4 殘餘混雜

即使已調整一組變數，仍可能存在：

未測量共同原因；
錯誤時間順序；
代理變數偏差；
非線性交互；
選擇機制。

因果錨應保存未識別風險，而非只輸出單一效果值。

八、碰撞點與選擇偏差

8.1 碰撞點

若：

X\rightarrow C\leftarrow Y

則 $C$ 是碰撞點。

在未條件化時，路徑通常被阻斷。

8.2 錯誤控制

若控制 $C$ 或其後代，可能打開：

X\leftrightarrow Y

的非因果關聯。

8.3 選擇偏差

若樣本進入條件 $S$ 同時受到 $X$ 與 $Y$ 影響：

X\rightarrow S\leftarrow Y

只分析：

S=1

的樣本，可能創造假相關。

8.4 平台與 AI 資料偏差

平台資料常只包含：

使用者；
成功案例；
被模型選中的樣本；
被人工審核的事件；
有標籤的紀錄。

這些選擇機制本身可能是碰撞點。

因此，資料量增加不一定修復因果偏差。

九、中介與路徑特定效應

9.1 中介結構

若：

X\rightarrow M\rightarrow Y

則 $M$ 是中介。

9.2 總效應

總因果效應可寫為：

TE = E[Y_{x_1}] - E[Y_{x_0}]

9.3 直接與間接效應

直接效應試圖隔離不經 $M$ 的路徑。

間接效應則衡量經 $M$ 傳遞的部分。

9.4 路徑特定效應

若存在多個中介：

X\rightarrow M_1\rightarrow Y

X\rightarrow M_2\rightarrow Y

可定義只沿指定路徑傳遞的效應。

9.5 錨點分解

因果錨不應只記錄：

X\rightarrow Y

還應記錄：

哪些路徑有效；
哪些路徑被阻斷；
哪些路徑依賴環境；
哪些路徑具有倫理或制度限制；
哪些中介可干預。

十、反事實語義

10.1 潛在結果

記：

Y_x

為若將 $X$ 設為 $x$ 時的潛在結果。

對同一單元：

Y_1,\quad Y_0

通常不能同時觀察。

這是反事實基本問題。

10.2 個體反事實

給定已觀察證據 $E=e$ ，詢問：

P(Y_x=y\mid E=e)

10.3 三步反事實程序

在 SCM 中，反事實通常包括：

溯因：由觀察推斷外生背景；
行動：施加 $do(X=x)$ ；
預測：在修改後模型中計算 $Y$ 。

10.4 跨世界比較

反事實需要比較同一背景单元在不同干預下的結果：

Y_x(u)

與：

Y_{x'}(u)

因此它比群體平均干預效果更強。

十一、必要因與充分因

11.1 必要因

對個體 $u$ ，若：

Y_x(u)=1

且：

Y_{x'}(u)=0

則 $X=x$ 對該結果可被視為必要原因之一。

但這依賴：

替代值 $x'$ ；
背景 $u$ ；
時間窗；
結果粒度；
其他條件保持方式。

11.2 充分因

若在情境集合 $\mathcal U^\ast$ 中：

\forall u\in\mathcal U^\ast, \quad Y_x(u)=1

則 $X=x$ 在該情境族中可被視為充分。

11.3 必要但不充分

某原因可能是結果發生所不可缺少的一部分，但單獨不足以產生結果。

11.4 充分但不必要

多條不同因果路徑可能各自足以產生結果。

此時某一原因充分，但可由替代路徑取代。

11.5 INUS 結構

一個原因可能是：

不必要但充分條件中的不充分但必要部分。

即常說的 INUS 型原因。

這說明自然語言中的「原因」往往不是單一充分或必要條件。

十二、必要性概率與充分性概率

在某些反事實框架中，可定義：

12.1 必要性概率

PN = P(Y_{0}=0\mid X=1,Y=1)

其直覺為：

已觀察到接受處置且結果發生時，若未接受處置，結果不發生的概率。

12.2 充分性概率

PS = P(Y_{1}=1\mid X=0,Y=0)

其直覺為：

已觀察到未接受處置且結果未發生時，若接受處置，結果會發生的概率。

12.3 必要且充分概率

PNS = P(Y_1=1,Y_0=0)

12.4 識別限制

這些量通常不能只由普通觀察資料直接識別，需要：

隨機化；
單調性假設；
無混雜；
結構限制；
額外資料。

因此，必要因與充分因不能被模型憑相關性任意宣稱。

十三、機制不變性

13.1 分布可變，機制可穩定

不同環境：

e\in\mathcal E

可能有不同：

P_e(X)

但若：

P_e(Y\mid PA_Y)

保持不變，則 $Y$ 的條件機制可能具有跨環境穩定性。

13.2 因果方向與不變性

真正因果機制往往比反向預測關係更能跨環境保存。

若：

X\rightarrow Y

則改變 $P(X)$ 不必改變：

P(Y\mid X)

但：

P(X\mid Y)

可能顯著變化。

13.3 不變因果預測

可尋找變數集合 $S$ ，使：

P_e(Y\mid X_S)

對所有環境 $e$ 近似不變。

13.4 機制錨

本文定義：

\mathfrak A_{\mathrm{mech}}(Y) = \left\langle PA_Y, f_Y, \mathcal E, \mathcal I, \epsilon \right\rangle

若：

d \left( f_Y^{(e_i)}, f_Y^{(e_j)} \right) \leq \epsilon

對指定環境族成立，則形成跨環境機制錨。

十四、環境轉移與因果遷移

14.1 預測模型轉移失敗

一個在環境 $e_1$ 中高準確的模型：

\hat Y=g(X)

在 $e_2$ 中可能失效，因為它依賴非因果捷徑。

14.2 因果模型的轉移優勢

若模型捕捉穩定機制：

Y=f(PA_Y,U_Y)

則在父變數機制未改變時更可能遷移。

14.3 可遷移性索引

因果錨的可遷移性應寫為：

\operatorname{Tr} \left( \mathfrak A_{\mathrm{causal}}, e_1\rightarrow e_2 \right)

並檢查：

外生分布是否改變；
機制是否改變；
干預政策是否改變；
測量方式是否改變；
選擇機制是否改變。

14.4 傳輸不是自動的

同一因果圖在不同環境中可能只有部分模組保持不變。

因此，需要模組化遷移，而非整體複製。

十五、結構穩定與效應穩定

15.1 結構穩定

因果邊：

X\rightarrow Y

在多環境中保持存在。

15.2 效應穩定

效應大小：

\tau_e = E_e[Y\mid do(X=1)] - E_e[Y\mid do(X=0)]

在環境間保持近似不變。

15.3 結構同而效應異

同一因果方向可因交互作用、基準風險或外生分布不同而具有不同效應。

15.4 效應同而結構異

不同機制也可能偶然產生相似平均效應。

因此：

\boxed{ \text{因果方向穩定} \neq \text{效應量穩定} }

十六、時間與因果必然

16.1 時間先後不足

原因通常先於結果，但先後不代表因果。

16.2 延遲效應

干預可能在時間：

t

發生，結果於：

t+k

出現。

若時間窗選錯，可能看不到因果效應。

16.3 動態 SCM

可寫為：

X_{t+1}=f_X(X_t,Y_t,U_t)

Y_{t+1}=f_Y(X_t,Y_t,V_t)

16.4 回饋

若：

X_t\rightarrow Y_{t+1}

且：

Y_t\rightarrow X_{t+1}

則靜態圖可能誤判方向。

16.5 因果錨的時間索引

完整因果錨需記錄：

\mathfrak A_{\mathrm{causal}}^{[t_0,t_1]}(X\rightarrow Y)

而非假設所有時間尺度一致。

十七、軟干預、機制干預與政策干預

17.1 硬干預

直接固定：

X:=x

17.2 軟干預

改變 $X$ 的條件分布，但不固定單一值。

17.3 機制干預

修改結構方程：

f_X\rightarrow f'_X

17.4 政策干預

令：

X:=\pi(Z)

其中 $\pi$ 是依賴狀態的政策。

17.5 必然性依賴干預種類

某關係對硬干預穩定，未必對機制干預穩定。

因此：

N_{\mathcal I_1}^{\mathrm{causal}}(P) \neq N_{\mathcal I_2}^{\mathrm{causal}}(P)

十八、因果干預的可行性與倫理邊界

18.1 可定義不等於可執行

數學上可寫：

do(X=x)

不表示現實中能合法、安全或物理地執行。

18.2 不可干預變數

某些變數：

不可直接操縱；
只能透過代理機制改變；
操縱本身會改變底空間；
涉及倫理禁止。

18.3 干預代理

實務上常操縱：

Z

以影響：

X

再影響：

Y

此時不能把 $Z$ 的效果直接等同於 $X$ 的原子干預效果。

18.4 規範與因果分離

知道某干預有效，不代表應該執行。

因此：

\text{因果可行} \neq \text{規範正當}

十九、自我實現與自我否定預測

19.1 預測影響行為

若模型輸出預測：

\hat Y

而人類或系統依此行動：

A=\pi(\hat Y)

則資料生成過程變成：

\hat Y\rightarrow A\rightarrow Y

19.2 自我實現

若預測某事件將發生，行動反而促使其發生。

19.3 自我否定

若風險預測導致預防措施，事件因此未發生。

此時模型可能被誤判為「預測錯誤」，但其干預其實有效。

19.4 模型即因果節點

部署後的 AI 不再只是被動觀察器，而可能成為因果圖中的節點。

因此，離線準確率不能完整描述部署後行為。

二十、AI 建議、執行與造成結果的區分

20.1 預測層

模型輸出：

\hat P(Y)

20.2 建議層

模型提出：

A^\ast

20.3 採納層

人類或代理決定是否執行：

D\in\{0,1\}

20.4 執行層

實際行動：

A

20.5 因果結果層

行動影響：

Y

完整鏈條為：

X \rightarrow \hat P \rightarrow A^\ast \rightarrow D \rightarrow A \rightarrow Y

因此：

\boxed{ \text{模型提出建議} \neq \text{建議被採納} \neq \text{行動被執行} \neq \text{行動造成結果} }

二十一、多代理因果責任

21.1 分散行動

若結果由多個代理共同造成：

A_1,\ldots,A_n\rightarrow Y

則單一代理可能：

必要但不充分；
充分但不必要；
僅提高風險；
僅觸發最後條件；
僅提供資訊。

21.2 資訊因果與物理因果

AI 可能透過資訊改變人類決策，而非直接改變物理世界。

仍然可以具有因果影響，但路徑不同。

21.3 責任不等於因果貢獻

責任還涉及：

意圖；
可預見性；
權限；
替代選項；
規範義務；
控制程度。

因此：

\text{因果歸因} \neq \text{道德或法律責任}

二十二、因果錨的脆弱性

22.1 模型錯置

錯誤指定因果圖。

22.2 不可識別

資料不足以區分多個模型。

22.3 干預外推

由有限干預外推到未測試干預。

22.4 背景漂移

外生分布或結構方程改變。

22.5 測量漂移

變數定義與測量方式改變。

22.6 政策反應

系統對干預做出適應，改變原機制。

22.7 違反一致性

實際處置版本不唯一，使：

Y_x

定義含混。

二十三、因果錨定度

定義因果錨向量：

\mathbf c(P) = \begin{bmatrix} i_{\mathrm{id}}\\ m_{\mathrm{mech}}\\ r_{\mathrm{rob}}\\ e_{\mathrm{env}}\\ k_{\mathrm{cf}}\\ p_{\mathrm{path}}\\ t_{\mathrm{time}}\\ a_{\mathrm{audit}} \end{bmatrix}

其中：

$i_{\mathrm{id}}$ ：可識別度；
$m_{\mathrm{mech}}$ ：機制明確度；
$r_{\mathrm{rob}}$ ：干預魯棒性；
$e_{\mathrm{env}}$ ：跨環境穩定性；
$k_{\mathrm{cf}}$ ：反事實可判定度；
$p_{\mathrm{path}}$ ：路徑分解完整度；
$t_{\mathrm{time}}$ ：時間模型充分度；
$a_{\mathrm{audit}}$ ：資料與干預審計度。

定義：

\mathfrak M_{\mathrm{causal}}(P) = \Phi(\mathbf c(P)) - \alpha U_{\mathrm{conf}} - \beta U_{\mathrm{sel}} - \gamma U_{\mathrm{model}} - \delta U_{\mathrm{transport}}

其中：

$U_{\mathrm{conf}}$ ：未測量混雜風險；
$U_{\mathrm{sel}}$ ：選擇偏差風險；
$U_{\mathrm{model}}$ ：模型錯置風險；
$U_{\mathrm{transport}}$ ：遷移不確定性。

二十四、因果必然的分級

24.1 觀察近必然

P(Y=y\mid X=x)\approx1

24.2 干預近必然

P(Y=y\mid do(X=x))\approx1

24.3 個體反事實必然

Y_x(u)=y

對指定 $u$ 成立。

24.4 環境族必然

\forall e\in\mathcal E, \quad P_e(Y=y\mid do(X=x))\approx1

24.5 機制必然

在允許擾動族 $\Theta$ 下：

f_Y^{(\theta)}=f_Y

或保持指定不變量。

24.6 結構必然

所有滿足背景公理的合法模型中，因果方向均保持。

這些層級不能互相替代。

二十五、因果錨的形式定義

定義因果型虛擬模態錨：

\mathfrak A^{\mathrm{causal}}_P = \left\langle P, \mathcal M, \mathcal I, \mathcal U, \mathcal E, \mathcal T, \mathcal G, \Pi, \partial_P \right\rangle

其中：

$P$ ：因果命題；
$\mathcal M$ ：結構因果模型；
$\mathcal I$ ：干預族；
$\mathcal U$ ：外生背景族；
$\mathcal E$ ：環境族；
$\mathcal T$ ：時間尺度；
$\mathcal G$ ：因果圖或機制結構；
$\Pi$ ：可識別與證明資料；
$\partial_P$ ：適用邊界與反例條件。

定義強因果錨：

N_{\mathrm{strong}}^{\mathrm{causal}}(P)=1

若 $P$ 在指定：

\mathcal I\times\mathcal U\times\mathcal E\times\mathcal T

中保持，且其識別不依賴未聲明假設。

二十六、核心命題

命題一：觀察條件非干預條件命題

一般而言：

P(Y\mid X=x) \neq P(Y\mid do(X=x))

命題二：預測能力非因果效力命題

存在變數 $X$ 對 $Y$ 有高預測力，但干預 $X$ 不改變 $Y$ 。

命題三：控制更多變數非更少偏差命題

若控制碰撞點或中介，因果估計可能比未控制更偏。

命題四：平均干預效應非個體反事實命題

E[Y_1-Y_0]\neq0

不推出每個個體都有：

Y_1(u)\neq Y_0(u)

命題五：必要因與充分因具有索引命題

某原因是否必要或充分，取決於背景、替代值、時間窗與允許干預。

命題六：機制穩定非效應量固定命題

同一因果機制可在不同環境產生不同平均效應。

命題七：模型部署改變資料生成命題

當預測影響行動時，模型成為因果系統的一部分，離線分布不再保持。

命題八：因果有效非規範正當命題

某干預能造成結果，不推出該干預應被執行。

二十七、工程化識別流程

步驟一：明確命題類型

標記命題是：

觀察；
預測；
干預；
反事實；
機制；
責任；
規範。

步驟二：建立候選因果圖

列出：

共同原因；
中介；
碰撞點；
選擇節點；
時間順序；
回饋。

步驟三：聲明識別假設

包括：

無未測量混雜；
一致性；
正值性；
穩定單元處置值；
模型形式；
時間穩定。

步驟四：確定調整集合

使用後門、前門、工具變數、自然實驗或隨機化。

步驟五：分離估計與識別

先判斷：

\text{是否可識別}

再討論：

\text{如何估計}

步驟六：跨環境壓力測試

檢查：

P_e(Y\mid PA_Y)

是否穩定。

步驟七：執行敏感度分析

評估未測量混雜與模型錯置需要多強才能推翻結論。

步驟八：建立反事實審計

記錄個體反事實是否真正可識別，或只是模型外推。

步驟九：保存干預版本

明確記錄：

干預強度；
執行方式；
時間；
依從性；
副作用；
政策反應。

二十八、人工智能資料結構草案

causal_anchor_id: VMA-CAUSAL-0001

claim:
  proposition: "X causes Y"
  claim_type: interventional
  scope:
    population: target_population
    time_window: "t0_to_t1"
    environments:
      - e1
      - e2

structural_causal_model:
  endogenous:
    - X
    - Y
    - Z
    - M
    - S
  exogenous:
    - U_X
    - U_Y
  equations:
    X: "f_X(Z, U_X)"
    M: "f_M(X, Z)"
    Y: "f_Y(X, M, Z, U_Y)"
    S: "f_S(X, Y)"
  graph:
    edges:
      - "Z -> X"
      - "Z -> Y"
      - "X -> M"
      - "M -> Y"
      - "X -> Y"
      - "X -> S"
      - "Y -> S"

identification:
  estimand: "E[Y|do(X=1)] - E[Y|do(X=0)]"
  method: backdoor_adjustment
  adjustment_set:
    - Z
  forbidden_controls:
    - M
    - S
  assumptions:
    no_unmeasured_confounding: uncertain
    positivity: verified
    consistency: verified
    interference: possible

evidence:
  observational:
    datasets:
      - dataset_A
  experimental:
    datasets:
      - trial_B
  external_environments:
    - dataset_C

effects:
  total_effect: 0.31
  direct_effect: 0.12
  indirect_effect_via_M: 0.19
  uncertainty_interval:
    lower: 0.21
    upper: 0.40

counterfactual:
  individual_identified: false
  population_identified: true
  necessity_probability: bounded
  sufficiency_probability: bounded

invariance:
  mechanism_stable:
    e1_e2: true
  effect_size_stable:
    e1_e2: false
  transport_conditions:
    - same_Y_mechanism
    - reweight_Z

risks:
  unmeasured_confounding: 0.28
  collider_bias: 0.06
  selection_bias: 0.19
  model_misspecification: 0.22
  deployment_feedback: 0.35

anchor_assessment:
  observational_anchor: 0.91
  predictive_anchor: 0.88
  interventional_anchor: 0.73
  counterfactual_anchor: 0.41
  mechanism_anchor: 0.79
  causal_necessity_level: environment_relative

audit:
  intervention_versioned: true
  assumptions_explicit: true
  policy_use_allowed: false
  reason: "normative review required"

二十九、理論限制

第一，結構因果模型要求研究者選擇變數、粒度與結構方程；不同建模選擇可能產生不同因果錨。

第二，因果識別依賴不可完全由資料驗證的假設，例如無未測量混雜。

第三，反事實結果不可同時觀察，因此個體反事實常比群體效果更依賴模型。

第四，跨環境不變性是因果的重要線索，但不單獨構成因果證明。

第五，必要因、充分因與責任歸因之間不能直接等同。

第六，干預算子抽象化了執行方式；若同一處置有多個版本，必須進一步細分。

第七，動態回饋、策略適應與多代理行為可能使固定 SCM 不足。

第八，因果推理不能自行決定倫理、法律與政策價值。

三十、結論

本文將虛擬模態錨由非單調可撤回推理推進至因果干預與反事實語義。

最核心的結論是：

\boxed{ \text{觀察穩定} \neq \text{干預穩定} \neq \text{反事實穩定} }

因此，命題：

X\Rightarrow Y

若不標明它屬於：

觀察域；
預測域；
干預域；
反事實域；
機制域；
跨環境域；

便是不完整的。

因果必然不能由高相關、高準確率或多次共現直接取得。它要求：

結構方程；
合法干預；
可識別條件；
混雜控制；
路徑分解；
反事實語義；
時間索引；
跨環境機制穩定性。

因此，本文將因果型虛擬模態錨定義為：

\boxed{ \text{因果型虛擬模態錨} = \text{命題在指定結構因果模型、干預族、背景條件、 時間尺度與反事實語義下， 由可識別機制不變量所支撐， 並能在跨環境擾動中保持方向與效應結構的模態錨} }

更完整地寫為：

\boxed{ N^{\mathrm{causal}} \left( P \mid \mathcal M, \mathcal I, \mathcal U, \mathcal E, \mathcal T \right) }

這也再次證明：

\boxed{ \text{看見一件事總是發生} \neq \text{知道是什麼使它發生} }

對人工智能而言，只有當系統能區分預測、建議、採納、執行與結果，並保留因果識別假設與部署回饋，它才不會把統計穩定誤包裝成因果必然。

三十一、下一個自主研究節點

本系列下一篇定為：

《虛擬模態錨的時態邏輯與持續性幾何》

下一篇將處理：

必然在某一時刻成立，是否意味永遠成立；
線性時間、分支時間與事件時間；
一直、終將、直到、下一刻等時態算子；
安全性、活性、持續性與瞬時穩定；
暫時不變量、最終不變量與週期錨；
路徑量詞如何區分「所有未來」與「某個未來」；
因果干預後的時間展開與延遲效應；
AI 記憶、模型版本與制度規則如何形成跨時間錨；
「永遠必然」如何被分解為時間域、分支域與更新制度共同索引的持續性命題。

虛擬模態錨的因果干預與反事實穩定性_結構機制必要充分因與跨環境不變性

虛擬模態錨的因果干預與反事實穩定性

結構機制、必要／充分因、路徑效應與跨環境不變性

摘要

一、問題：穩定發生不等於被某物造成

二、因果判定的三個底空間

2.1 觀察域

2.2 干預域

2.3 反事實域

三、結構因果模型

3.1 基本定義

3.2 機制與分布分離

3.3 因果圖

3.4 無環與有環模型

四、干預與結構截斷

4.1 原始方程

4.2 原子干預

4.3 干預後模型

4.4 干預不是條件化

五、六種因果相關錨點

5.1 觀察錨

5.2 預測錨

5.3 干預錨

5.4 機制錨

5.5 反事實錨

5.6 跨環境不變錨

六、因果錨與相關錨

6.1 共同原因

6.2 假因果必然

6.3 相關錨的合法用途

七、後門路徑與混雜控制

7.1 後門路徑

7.2 後門調整

7.3 調整不是越多越好

7.4 殘餘混雜

八、碰撞點與選擇偏差

8.1 碰撞點

8.2 錯誤控制

8.3 選擇偏差

8.4 平台與 AI 資料偏差

九、中介與路徑特定效應

9.1 中介結構

9.2 總效應

9.3 直接與間接效應

9.4 路徑特定效應

9.5 錨點分解

十、反事實語義

10.1 潛在結果

10.2 個體反事實

10.3 三步反事實程序

10.4 跨世界比較

十一、必要因與充分因

11.1 必要因

11.2 充分因

11.3 必要但不充分

11.4 充分但不必要

11.5 INUS 結構

十二、必要性概率與充分性概率

12.1 必要性概率

12.2 充分性概率

12.3 必要且充分概率

12.4 識別限制

十三、機制不變性

13.1 分布可變，機制可穩定

13.2 因果方向與不變性

13.3 不變因果預測

13.4 機制錨

十四、環境轉移與因果遷移

14.1 預測模型轉移失敗

14.2 因果模型的轉移優勢

14.3 可遷移性索引

14.4 傳輸不是自動的

十五、結構穩定與效應穩定

15.1 結構穩定

15.2 效應穩定

15.3 結構同而效應異

15.4 效應同而結構異

十六、時間與因果必然

16.1 時間先後不足

16.2 延遲效應