Likelihood specification in simultaneous equation models for discrete data¶

作者: Ivan Jeliazkov, Angela Vossmeyer
来源: Journal of Econometrics
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: University of California, Irvine（US News 前 50，免分进入精读）
链接: https://doi.org/10.1016/j.jeconom.2026.106190

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向要解决的根本问题是：如何为离散数据（binary / ordered / count）的联立方程模型（Simultaneous Equation Model, SEM）写出一个唯一、恰当且完备的似然函数。在连续数据的SEM中，似然函数由线性系统与高斯误差直接导出，不存在歧义。但当内生变量是离散的（如“是否工作”、“是否健康”），线性系统与离散观测之间的映射不再是单射，导致似然函数不唯一、甚至出现逻辑悖论。这个方向当前处于“经典问题已有多种临时性解法、但缺乏统一理论框架”的状态。

发展脉络（history）¶

奠基工作（1970s-1980s）： - Heckman (1978)：提出了离散数据SEM的经典框架，引入了“递归性假设”（recursivity）——即内生变量之间的因果方向是单向的（无联立反馈），从而使得似然函数可写为条件分布的乘积。这是该领域最常被引用的起点。 - Maddala (1983)：系统总结了离散数据SEM的多种设定，包括递归模型、联立Probit模型等，但明确指出非递归情形下似然函数不唯一的问题。 - Schmidt (1981)：讨论了离散数据SEM的识别问题，指出在非递归设定下，参数可能无法被唯一识别。

主要进展（1990s-2000s）： - Blundell & Smith (1994)：提出了基于“条件矩”的GMM方法，绕开完全似然规范，但牺牲了效率。 - Lee (1995)：提出了基于“平滑频率”的估计方法，试图解决离散数据SEM的计算困难。 - Hajivassiliou & McFadden (1998)：发展了“GHK模拟器”（Geweke-Hajivassiliou-Keane simulator），用于计算高维截断正态概率，使得非递归Probit模型的似然函数可以通过模拟方法近似计算。这是计算层面的重要突破，但并未解决似然函数本身的规范问题。

当前frontier与本文位置： - 作者的说法：作者将缺口frame为“现有方法要么依赖递归性假设（Heckman 1978），要么依赖临时性规则（如‘一致性条件’）来消除似然函数的不确定性，但这些规则缺乏理论基础，且在某些设定下会导致悖论”。作者声称本文通过将模型重新解释为条件分布建模问题，并利用马尔可夫过程的不变分布，推导出唯一、恰当且完备的似然函数，从而“解决了早期文献中突出的悖论”。作者淡化了GHK模拟器等计算方法的贡献，强调“理论框架的缺失”才是根本问题。

子线索聚类¶

这些被引文献大致落在3条子线索上：

递归模型（Recursive Models）：Heckman (1978), Maddala (1983) 等。核心思路是通过假设内生变量之间的因果方向是单向的，将似然函数分解为条件分布的乘积。优点是似然函数唯一且易于计算；缺点是递归性假设在许多经济应用中不成立（如健康与财富的联立关系）。
非递归模型与模拟方法：Lee (1995), Hajivassiliou & McFadden (1998), Keane (1994) 等。核心思路是接受非递归设定，但通过模拟方法（如GHK）近似计算似然函数。优点是适用范围更广；缺点是似然函数本身仍不唯一，模拟方法只能近似计算某个“选定的”似然函数，且计算成本高。
条件分布建模（Conditional Distribution Modeling）：这是本文提出的新线索。核心思路是将离散数据SEM重新解释为“给定某些变量的条件下，其他变量的条件分布”的建模问题，而非传统的“线性系统+误差分布”的联立方程框架。作者声称这一框架“在经济学中尚未被推广”。

这个方向在追问的核心问题¶

似然函数的唯一性：在非递归离散数据SEM中，是否存在一个唯一、自然的似然函数？如果存在，它是什么？
简化型（Reduced Form）的定义：离散数据SEM的简化型是什么？它是否唯一？
悖论的解决：早期文献中发现的“悖论”（如“一致性条件”导致的不一致性）是否可以被统一解决？
计算可行性：即使理论框架成立，如何高效计算似然函数？

已知瓶颈：非递归离散数据SEM的似然函数涉及高维截断正态概率的积分，计算复杂度随内生变量数量指数增长。GHK模拟器部分解决了计算问题，但理论框架的缺失导致“该计算什么”本身不明确。

⚠️ 作者的framing（必须明确标注成“这是作者的说法”）¶

作者把缺口frame成“现有方法缺乏理论基础，导致似然函数不唯一、存在悖论”，从而将本文定位为“提供统一理论框架”的工作。作者声称： - “传统方法依赖递归性假设或临时性规则，导致似然函数不唯一或存在悖论。” - “本文的推导解决了早期文献中突出的悖论。” - “该框架无需递归性假设。”

被淡化或回避的竞争路线： - GHK模拟器等计算方法被作者视为“计算层面的补充”，而非理论框架的竞争者。作者承认“计算问题很重要”，但强调“先有理论框架，再谈计算”。 - 作者未深入讨论GMM等半参数方法（如Blundell & Smith 1994），这些方法绕开完全似然规范，但作者认为“牺牲了效率”。

什么明显该被引/该存在、却没出现在intro里？ - 非参数/半参数识别方法：如Matzkin (1992, 2003) 关于离散选择模型非参数识别的工作，以及Chesher (2010) 关于联立方程模型非参数识别的近期工作。这些工作与本文的“条件分布建模”思路有潜在联系，但未被引用。 - 因果推断中的DAG方法：如Pearl (2000) 的因果图框架，其中离散数据SEM的似然函数规范问题可以通过do-calculus和条件独立性来重新表述。本文完全未提及这一文献，可能是由于学科壁垒（经济学 vs. 计算机科学/统计学）。 - 潜在结果框架下的离散数据SEM：如Imbens & Angrist (1994) 的LATE框架，以及后续的IV方法在离散内生变量下的扩展。这些工作与本文的“联立方程”设定有重叠，但未被讨论。

值得研究者去查的问题：本文与Pearl的因果图框架之间是否存在深层联系？条件分布建模是否等价于DAG中的马尔可夫分解？如果等价，本文的“新框架”可能只是因果图理论在离散数据SEM中的一个特例。

张力¶

未见明显对立引用。被引文献之间主要是“递归 vs. 非递归”、“完全似然 vs. 模拟/半参数”的方法论差异，而非相互矛盾的结论。作者声称的“悖论”主要来自早期文献（如Heckman 1978）中未解决的逻辑问题，而非不同文献之间的对立。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - y：内生变量向量，y = (y₁, ..., yₘ)ᵀ，其中每个 yⱼ 是离散的（本文主要讨论二值变量，即 yⱼ ∈ {0, 1}）。 - x：外生变量向量，x = (x₁, ..., xₖ)ᵀ，可以是连续或离散的。 - y ：潜在连续变量向量，y = (y₁, ..., yₘ)ᵀ，满足线性联立方程系统：y = Yγ + Xβ + ε，其中 Y 是 y 的矩阵形式（即 y 的观测值作为解释变量），γ 是内生变量之间的系数矩阵（对角线为零，表示无自回归），β 是外生变量的系数矩阵，ε 是误差项向量。 - 观测规则：yⱼ = 1 当且仅当 yⱼ > 0，否则 yⱼ = 0。这是标准的离散选择模型观测规则。 - 参数：θ = (γ, β, Σ)，其中 Σ 是误差项 ε 的协方差矩阵（通常假设为对角线上为1的标准化形式，以解决尺度识别问题）。 - 样本量：n 个独立观测，每个观测包含 (yᵢ, xᵢ)，i = 1, ..., n。

模型： - 数据生成机制：潜在变量 y 服从线性联立方程系统：y = Yγ + Xβ + ε，其中 ε ~ N(0, Σ)（多元正态分布）。 - 观测到的离散变量 y 由潜在变量通过阈值规则生成：yⱼ = 1{yⱼ* > 0}。 - 这是一个不完全观测的联立方程模型**：潜在变量系统是线性的，但观测到的离散变量是非线性的。

可观测数据： - 研究者实际能观测到的是 (yᵢ, xᵢ)，即每个个体的离散内生变量向量和外生变量向量。 - 不可观测的量：潜在变量 y 和误差项 ε。这些只能通过模型假设和观测规则来推断。 - 关键识别问题：由于 y 是离散的，从 y 到 y 的映射是多对一的，因此给定 y 和 x，潜在变量 y*** 的条件分布是一个截断正态分布（截断区域由 y 的值决定）。这个截断区域的形状取决于联立方程系统的结构，导致似然函数不唯一。

第二步：讲最小内核¶

最简特例：两个二值内生变量（m=2），无外生变量（x 为空），无截距项。

设定： - 潜在变量系统：y₁ = γ₁₂ y₂ + ε₁，y₂ = γ₂₁ y₁ + ε₂。 - 误差项：(ε₁, ε₂) ~ N(0, Σ)，其中 Σ = [[1, ρ], [ρ, 1]]（标准化为方差1，相关系数ρ）。 - 观测规则：y₁ = 1{y₁ > 0}，y₂ = 1{y₂ > 0}。 - 参数：θ = (γ₁₂, γ₂₁, ρ)。

核心问题：给定观测数据 (y₁, y₂) 的联合分布，如何写出似然函数 L(θ; y₁, y₂)？

传统方法的困境： - 如果假设递归性（γ₂₁ = 0），则 y₁ = γ₁₂ y₂ + ε₁，y₂ = ε₂。此时系统是递归的，似然函数可写为 P(y₁|y₂; θ) × P(y₂; θ)，唯一且易于计算。 - 如果 γ₂₁ ≠ 0（非递归），则 y₁ 和 y₂ 同时出现在对方的方程中。此时，给定 y₁ 和 y₂，潜在变量 (y₁, y₂) 的截断区域是一个二维矩形（由 y₁ 和 y₂ 的符号决定），但 y₁ 和 y₂ 本身又是通过联立系统相互决定的，导致似然函数不唯一。

本文的核心思路： - 将模型重新解释为条件分布建模问题：不是先有联立系统再有观测，而是直接建模 P(y₁, y₂ | x) 的条件分布。 - 利用马尔可夫过程的不变分布：构造一个马尔可夫链，其状态空间是 (y₁, y₂) 的取值空间（共4个状态），转移概率由条件分布 P(y₁|y₂, x) 和 P(y₂|y₁, x) 定义。该马尔可夫链的不变分布就是 P(y₁, y₂ | x)。 - 关键洞察：在非递归设定下，条件分布 P(y₁|y₂, x) 和 P(y₂|y₁, x) 是唯一确定的（因为它们只涉及单个方程的条件分布），但联合分布 P(y₁, y₂ | x) 不唯一。然而，如果我们将这两个条件分布视为马尔可夫链的转移核，则该链的不变分布是唯一的（如果链是遍历的）。这个不变分布就是“正确的”联合分布。

在这个特例下： - 条件分布 P(y₁|y₂; θ) 由方程 y₁ = γ₁₂ y₂ + ε₁ 决定：给定 y₂，y₁ ~ N(γ₁₂ y₂, 1)，因此 P(y₁=1|y₂; θ) = Φ(γ₁₂ y₂)，其中 Φ 是标准正态CDF。 - 类似地，P(y₂|y₁; θ) = Φ(γ₂₁ y₁)。 - 构造马尔可夫链：从任意初始状态 (y₁⁽⁰⁾, y₂⁽⁰⁾) 开始，交替从 P(y₁|y₂) 和 P(y₂|y₁) 中采样。该链的转移核是 P(y₁'|y₂) × P(y₂'|y₁')。 - 该链的不变分布 π(y₁, y₂) 满足：π(y₁, y₂) = Σ_{y₁', y₂'} π(y₁', y₂') × P(y₁|y₂') × P(y₂|y₁)。这个不变分布是唯一的，且就是“正确的”联合分布 P(y₁, y₂; θ)。 - 似然函数：L(θ; y₁, y₂) = π(y₁, y₂; θ)，其中 π 是上述马尔可夫链的不变分布。

为什么这个思路解决了悖论： - 传统方法试图直接从联立系统推导联合分布，但面临“先有鸡还是先有蛋”的问题（y₁ 和 y₂ 相互决定）。本文的方法绕开了这个问题：先定义条件分布（唯一确定），再通过马尔可夫链的不变分布得到联合分布（唯一确定）。 - 这个框架无需递归性假设，也无需临时性规则。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：离散数据联立方程模型（SEM）的似然函数规范问题——如何为非递归设定下的离散内生变量写出唯一、恰当且完备的似然函数。
核心工具/方法：将模型重新解释为条件分布建模问题，利用马尔可夫过程的不变分布来定义联合分布，从而推导出似然函数。
主要结论：该似然函数是唯一的、恰当的、完备的，且理论上扎根于条件分布建模；它解决了早期文献中突出的悖论；无需递归性假设；简化型由条件分布唯一确定。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

定义与记号： - y = (y₁, ..., yₘ)ᵀ：m 个离散内生变量，每个 yⱼ 取值于有限集 Sⱼ（本文主要讨论二值变量，但框架适用于任意有限离散集）。 - x = (x₁, ..., xₖ)ᵀ：k 个外生变量。 - 潜在变量系统：y = Yγ + Xβ + ε，其中 Y 是 y 的 m × m 矩阵形式（对角线为零），γ 是 m × m 的系数矩阵（对角线为零），β 是 k × m 的系数矩阵，ε ~ N(0, Σ)。 - 观测规则：yⱼ = 1{yⱼ > 0}（二值情形），或更一般地，yⱼ = gⱼ(yⱼ)，其中 gⱼ 是已知的阈值函数。 - 参数*：θ = (γ, β, Σ)，其中 Σ 是 m × m 的协方差矩阵（通常标准化为对角线上为1）。

假设： 1. 误差正态性：ε ~ N(0, Σ)。这是标准假设，用于导出条件分布的具体形式。 2. 外生性：x 与 ε 独立。这是SEM的标准外生性假设。 3. 排除限制：γ 的对角线为零（无自回归），且某些元素可能被固定为零（排除限制），以确保识别。 4. 遍历性：由条件分布定义的马尔可夫链是遍历的（即不可约且非周期），以确保不变分布的唯一性。作者指出，对于离散变量，只要条件分布非退化（即 0 < P(yⱼ|y₋ⱼ, x) < 1），遍历性通常成立。 5. 无递归性假设：这是本文的关键放松——γ 可以是非三角的（即允许联立反馈），无需假设递归性。

相比已有文献的放宽或强化： - 放宽：无需递归性假设（Heckman 1978 需要），无需临时性规则（如“一致性条件”）。 - 强化：需要误差正态性假设（与Heckman 1978相同），但本文的框架可扩展到其他误差分布（如Logistic、极值分布）。

主要结果¶

定理1（似然函数的唯一性与恰当性）： - 陈述：在假设1-4下，离散数据SEM的似然函数由条件分布 P(yⱼ|y₋ⱼ, x; θ) 定义的马尔可夫链的不变分布唯一给出。该似然函数是恰当的（即对所有 y 取值，概率之和为1）、完备的（即包含所有内生变量的联合分布信息）。 - 直觉：条件分布 P(yⱼ|y₋ⱼ, x) 由单个方程唯一确定（因为给定 y₋ⱼ 和 x，yⱼ 的分布只涉及该方程的参数）。将这些条件分布作为马尔可夫链的转移核，链的不变分布就是“正确的”联合分布。 - 必要条件：马尔可夫链的遍历性（假设4）。 - 解决的技术难点：传统方法中，非递归设定下联合分布不唯一的问题被绕开——不是直接推导联合分布，而是通过条件分布和马尔可夫链间接定义。

定理2（简化型的唯一性）： - 陈述：离散数据SEM的简化型由条件分布唯一确定，即 P(y|x; θ) = π(y; θ)，其中 π 是马尔可夫链的不变分布。 - 直觉：简化型是外生变量 x 到内生变量 y 的映射，在本文框架下就是不变分布 π。 - 与连续SEM的对比：在连续SEM中，简化型是线性系统 y = Xπ + v 的系数矩阵 π。在离散SEM中，简化型是非线性的，由不变分布 π 给出。

定理3（悖论的解决）： - 陈述：早期文献中发现的“悖论”（如“一致性条件”导致的不一致性）在本文框架下自然消失，因为似然函数是唯一且恰当的。 - 具体悖论：作者引用了Heckman (1978) 和Maddala (1983) 中讨论的“非递归离散SEM中似然函数不唯一”的问题。例如，在某些设定下，不同的“一致性条件”会导致不同的似然函数，且这些似然函数可能不是恰当的（概率之和不为1）。本文的框架通过马尔可夫链的不变分布消除了这种不确定性。

证明路线与技术技巧¶

整体路线（3-5步逻辑主干）：

从联立系统到条件分布：给定 y₋ⱼ 和 x，方程 yⱼ* = y₋ⱼᵀγⱼ + xᵀβⱼ + εⱼ 是一个标准的离散选择模型。因此，条件分布 P(yⱼ|y₋ⱼ, x; θ) 由该方程唯一确定（例如，对于Probit模型，P(yⱼ=1|y₋ⱼ, x) = Φ(y₋ⱼᵀγⱼ + xᵀβⱼ)）。
构造马尔可夫链：定义状态空间 S = S₁ × ... × Sₘ（所有可能的 y 取值）。定义转移核 K(y'|y, x) = Πⱼ P(yⱼ'|y₋ⱼ, x)，即从当前状态 y 出发，依次更新每个 yⱼ 为从条件分布 P(yⱼ|y₋ⱼ, x) 中采样的新值。这是一个Gibbs采样器。
证明不变分布的存在性与唯一性：由于状态空间是有限的（离散变量），且条件分布非退化（假设4），该马尔可夫链是遍历的。因此，存在唯一的不变分布 π(y; θ) 满足 π(y') = Σ_y π(y) K(y'|y, x)。
证明不变分布就是正确的联合分布：关键在于，如果联合分布 P(y|x; θ) 满足条件分布 P(yⱼ|y₋ⱼ, x; θ)（即与模型一致），那么它一定是该马尔可夫链的不变分布。反之，该链的不变分布也一定满足这些条件分布。因此，不变分布就是与模型一致的唯一联合分布。
似然函数与简化型：似然函数 L(θ; y, x) = π(y; θ)，简化型 P(y|x; θ) = π(y; θ)。

关键跳跃点： - 从联立系统到条件分布的跳跃：这是最关键的洞察。传统方法试图直接从联立系统推导联合分布，但面临“联立性”导致的非唯一性。本文的方法先退一步，只推导条件分布（唯一确定），再通过马尔可夫链“重建”联合分布。 - 马尔可夫链不变分布与联合分布的等价性：这是证明的核心。作者需要证明，不变分布 π 确实满足条件分布 P(yⱼ|y₋ⱼ, x)，且任何满足这些条件分布的联合分布都是该链的不变分布。这依赖于Gibbs采样器的基本性质：如果联合分布满足条件分布，则它是Gibbs采样器的不变分布。

技术技巧点名： - Gibbs采样器：用于构造马尔可夫链，其转移核由条件分布定义。这是贝叶斯计算中的标准工具，但本文将其用于理论推导（定义联合分布），而非计算。 - 马尔可夫链遍历性理论：用于证明不变分布的存在性与唯一性。对于有限状态空间，遍历性条件容易验证。 - 条件分布建模：将SEM重新解释为条件分布建模问题，而非传统的联立方程系统。这是本文的核心概念创新。

真实例子与应用¶

本文包含三个实证应用：

女性劳动参与（Female Labor Force Participation）：
数据：来自Mroz (1987) 的经典数据集，包含753个已婚女性的劳动参与决策和工资信息。
模型：两个内生变量——劳动参与（y₁，二值）和工资（y₂，连续，但本文将其离散化为二值：高于/低于中位数）。外生变量包括教育、年龄、子女数量、丈夫收入等。
方法应用：使用本文的框架估计非递归联立Probit模型，其中劳动参与和工资相互影响。
结果：估计结果显示，工资对劳动参与有显著正向影响，劳动参与对工资也有显著正向影响（联立反馈）。与递归模型（假设工资不受劳动参与影响）相比，本文的模型拟合更好（对数似然值更高）。
这个例子想说明什么：展示本文框架在经典经济问题中的应用，以及非递归设定相对于递归设定的优势。
健康与财富的互动（Health and Wealth Interactions）：
数据：来自健康与退休研究（HRS）的面板数据，包含50岁以上美国人的健康和财富信息。
模型：两个内生变量——健康状况（y₁，二值：好/差）和财富水平（y₂，二值：高/低）。外生变量包括年龄、教育、婚姻状况等。
方法应用：估计非递归联立Probit模型，其中健康和财富相互影响。
结果：发现健康对财富有显著正向影响（健康的人更富有），财富对健康也有显著正向影响（富有的人更健康），但后者的效应较弱。与递归模型相比，本文的模型揭示了双向因果关系。
这个例子想说明什么：展示本文框架在健康经济学中的应用，以及非递归设定对于揭示双向因果关系的必要性。
大萧条时期银行借贷行为（Bank Lending and Lender of Last Resort）：
数据：来自大萧条时期（1930-1933）美国银行的季度数据，包含银行的借贷行为和从美联储（最后贷款人）获得的援助。
模型：两个内生变量——银行借贷（y₁，二值：增加/减少）和美联储援助（y₂，二值：获得/未获得）。外生变量包括银行特征（规模、资本充足率等）和宏观经济变量。
方法应用：估计非递归联立Probit模型，其中借贷行为和援助相互影响。
结果：发现获得援助的银行更可能增加借贷（援助有效），但借贷行为本身也影响获得援助的概率（银行通过借贷行为“信号”其需求）。与递归模型相比，本文的模型更准确地估计了援助的因果效应。
这个例子想说明什么：展示本文框架在金融史和货币政策评估中的应用，以及非递归设定对于政策评估的重要性。

本文为纯理论+实证例子：三个例子都是真实数据应用，验证了理论框架的可行性，并展示了相对于递归模型的优势。

🔎 结论是否比证明窄¶

窄结论：本文的证明严格依赖于误差正态性假设（Probit模型）。作者在“可能扩展”一节中提到，框架可扩展到其他误差分布（如Logistic、极值分布），但未给出具体证明。因此，结论的严格适用范围是Probit模型。
泛泛claim：作者声称“该框架无需递归性假设”，这在证明中确实成立。但作者也声称“解决了早期文献中突出的悖论”，这需要读者接受“马尔可夫链不变分布”作为“正确的”联合分布的定义。如果读者不接受这个定义（例如，认为联合分布应该由结构方程直接导出），则“悖论”可能并未被解决，而是被重新定义了。
值得核实：作者在“可能扩展”中提到了与“动态离散选择模型”和“面板数据模型”的联系，但未给出具体结果。这些扩展是否真的可行，需要进一步验证。

四、开放问题（点到为止，扎根具体语句）¶

非正态误差分布的扩展：作者在“可能扩展”一节中提到“该框架可扩展到其他误差分布，如Logistic或极值分布”，但未给出具体证明。扎根点：Section 6, “Extensions and Links” 第一段。要证：对于非正态误差，条件分布 P(yⱼ|y₋ⱼ, x) 是否仍唯一确定？马尔可夫链的遍历性是否仍成立？不变分布是否仍唯一？
连续内生变量的混合模型：本文只讨论了离散内生变量。如果部分内生变量是连续的（如工资），部分是离散的（如劳动参与），本文的框架是否适用？扎根点：第一个实证例子中，工资被离散化为二值变量，作者未讨论连续-离散混合情形的理论。要证：对于连续变量，条件分布 P(yⱼ|y₋ⱼ, x) 是否仍能唯一确定？马尔可夫链的状态空间变为连续，不变分布的存在性与唯一性需要更复杂的理论（如Harris链理论）。
高维情形下的计算可行性：本文的框架需要计算马尔可夫链的不变分布，对于m个二值变量，状态空间大小为2^m，随m指数增长。作者在“计算问题”一节中提到了MCMC方法，但未讨论高维情形的计算瓶颈。扎根点：Section 5, “Computational Issues” 最后一段。要算：是否存在多项式时间的近似算法？是否可以利用稀疏性（如稀疏γ矩阵）来降低计算复杂度？
与因果图框架的深层联系：本文的“条件分布建模”框架与Pearl的因果图（DAG）中的马尔可夫分解有深层联系。在DAG中，联合分布被分解为条件分布的乘积，其中条件分布由DAG的结构决定。本文的框架是否等价于一个完全连通的DAG（即所有变量之间都有边）？如果是，那么本文的“新框架”可能只是DAG理论的一个特例。扎根点：本文未引用任何因果图文献。要查：本文的框架与DAG中的马尔可夫分解、do-calculus、以及非递归结构方程模型（如Pearl 2000）之间的关系。

Maintained by 陈星宇 · Homepage · Source on GitHub