Pearl 因果推理框架是一套旨在利用结构化模型分析因果关系的方法和工具。由 Judea Pearl 开发，它超越了通常侧重于相关性的传统统计学，旨在回答诸如 “X 是否导致 Y？” 或 “如果我们干预改变 X，会发生什么？” 等问题。该框架依赖于三个核心组成部分：有向无环图（DAGs）、结构因果模型（SCMs）和 do-演算。这些工具帮助数学建模因果关系，使开发者能够形式化假设、检验假说，并估算效应，即使在缺乏实验数据的情况下也是如此。
该框架始于 DAGs，它将变量可视化为节点，因果关系可视化为有向边。例如，在模拟教育与收入关系的 DAG 中，从“教育”指向“收入”的箭头意味着教育因果地影响收入。SCMs 通过将每个变量定义为其直接原因和一个误差项的函数，为 DAGs 添加了数学结构。例如，收入 = f(教育, 经验) + ε。这使得模拟干预成为可能，例如将教育设置为特定值（使用 do-算子），以估算对收入的影响。即使变量存在混杂（例如，“社会经济地位”同时影响教育和收入），do-演算也提供了从观测数据计算这些效应的规则。
开发者可以在 A/B 测试、推荐系统或公平性分析等领域应用此框架。例如，在 A/B 测试中，DAGs 有助于确定需要控制哪些变量（例如，用户人口统计特征）以隔离特征变化的影响。在机器学习中，SCMs 可以通过区分相关性（购买 X 的用户也购买 Y）和因果关系（推荐 X 确实增加了 Y 的销量）来改进推荐算法。该框架还有助于检测偏差：如果模型使用“邮政编码”等变量预测贷款审批，因果分析可以揭示该变量是否代表歧视性因素（例如，种族）。通过形式化假设并将因果关系与相关性区分开来，Pearl 的方法使得因果推理在代码中系统化且可测试。