结构因果模型 (SCM) 是一种用于表示和分析变量之间因果关系的数学框架。 它将图形模型与结构方程相结合，以描述变量如何相互影响。 在 SCM 中，每个变量都被定义为其直接原因（父变量）的函数，以及表示外部因素的未观察到的误差项。 例如，如果变量 X 直接影响 Y，则模型可以将 Y 表示为 Y = f(X, E)，其中 E 捕获随机性或遗漏的因素。 这些关系可视化为有向图，其中节点表示变量，边表示因果关系。 SCM 与纯统计模型不同，因为它强调因果机制，而不仅仅是相关性。
SCM 由三个部分组成：变量、结构方程和误差项。 变量可以是观察到的（例如，用户活动）或未观察到的（例如，隐藏的偏差）。 结构方程在数学上定义了原因如何产生影响。 例如，在预测软件错误的模型中，结构方程可以将错误计数表示为代码复杂度和测试时间的函数。 误差项解释了包含的变量无法解释的变异性，确保模型反映了现实世界的不确定性。 有向图结构使依赖关系明确，帮助开发人员推断干预措施，例如更改功能的代码以减少错误。 与侧重于关联的传统回归模型不同，SCM 回答“如果”问题，例如，“如果我们将测试时间加倍，错误率会发生什么变化？”
SCM 在需要因果推断的场景中特别有用，例如评估功能影响或调试系统行为。 例如，开发人员可以使用 SCM 来模拟新算法如何影响用户参与度。 通过对变量（例如，算法版本、用户人口统计信息）的假设进行编码，该模型可以估计算法的直接影响，同时控制季节性趋势等混淆因素。 DoWhy 或 CausalNex 等工具实现了基于 SCM 的分析，从而实现反事实推理（例如，“如果没有更新，参与度会下降吗？”）。 SCM 还有助于通过追踪输入变量如何通过模型传播来识别机器学习系统中的偏差。 通过将分析建立在因果关系的基础上，开发人员可以做出更明智的系统更改决策，避免相关性驱动方法的陷阱。