什么是因果回路图 | 集智百科

“集智百科精选”是一个长期专栏，持续为大家推送复杂性科学相关的基本概念和资源信息。作为集智俱乐部的开源科学项目，集智百科希望打造复杂性科学领域最全面的百科全书，欢迎对复杂性科学感兴趣、热爱知识整理和分享的朋友加入！

本文是对集智百科中“因果回路图”词条部分内容的摘录，参考资料及相关词条请参阅百科词条原文。

本词条由集智俱乐部众包生产，难免存在纰漏和问题，欢迎大家留言反馈或者前往对应的百科词条页面进行修改，一经修改，可以获得对应的积分奖励噢！

一、历史

二、正向和负向的因果链接

三、强化回路还是平衡回路

四、编者推荐

五、集智百科词条志愿者招募

因果回路图Causal Loop Diagram是一种因果图，有助于可视化地显示系统中不同变量之间的相互关系。该图由一组节点和边组成。节点代表变量，边代表两个变量之间的链接或者关系。

正向强化循环的例子:银行余额和已获利息

标记为正的链接表示正向关系，标为负的链接表示负向关系。正因果链接意味着两个节点在同一方向上发生变化，也就是说，如果链接起始的那个节点减少，则链接的另一个节点也会减少。类似地，如果链接的起始节点增加，则链接的另一个节点也会增加。负因果链接意味着两个节点在相反的方向变化，即，如果链接的起始节点增加，则另一个节点减少，反之亦然。

闭合回路是因果回路图的重要特征。一个闭合回路要么是强化回路Reinforcing Loop，要么是平衡回路Balancing Loop。强化回路中，任何变量发生变化所造成的影响会通过回路进行传播后回到这个变量，并强化这个变量的初始偏差。也就是说，一个变量增长后，强化回路的作用会使得这个变化沿着回路返回给这个变量一个增量，反之亦然。平衡回路中，任何变量发生的变化会沿着回路传播并返回给该变量一个与初始偏差相反的偏差。也就是说，如果一个变量增加，经过平衡回路的作用会使得返回给该变量一个减少值，反之亦然。

如果一个变量在强化回路中发生变化，这种变化的作用会加强初始变化。这种变化的作用会产生另一种强化效果。如果不打破这个回路，系统会陷入循环链式反应的恶性循环中。正是因为这个原因，闭合回路成为了因果回路图的关键特性。

正向强化循环的例子:

银行余额将影响已获利息，如顶部从银行余额指向已获利息蓝色箭头所示。
由于银行余额的增加会导致已获利息的增加，所以这个链接是正的，用“+”表示。
已获利息被添加到银行余额中，这也是一个正链接，由底部的蓝色箭头表示。
这些节点之间的因果关系形成了一个正的强化回路，用绿色箭头表示，用“R”表示。

历史

使用节点和箭头构造因果有向图模型的历史可以追溯到Sewall-Wright在1918年提出的路径分析，比系统动力学早很多。然而，由于遗传数据的限制，这些早期的因果图不包含回路——它们是有向无环图。（Dennis Meadows博士在一次教育工作者会议上解释了因果回路图，这是因果回路图的第一次正式使用。)

Meadows 解释说，当他和其他人在研究 World3模型(大约在1970-1972年)时，他们意识到在向他人展示结果时，他们无法使用计算机输出来解释反馈回路在模型中的工作方式。他们决定通过用箭头连接反馈循环中主要模型组件的名称来展示反馈循环（不包括库存、流量和每个变量）。这可能是第一次正式使用因果回路图。

正向和负向的因果链接

正因果链接意味着两个节点在同一方向上发生变化，也就是说，如果链接起始的那个节点减少，则链接的另一个节点也会减少。类似地，如果链接的起始节点增加，则链接的另一个节点也会增加。

负因果链接意味着两个节点在相反的方向变化，即，如果链接的起始节点增加，则另一个节点减少，反之亦然。

示例

强化回路还是平衡回路

为了确定一个因果回路是强化的还是平衡的，可以从假设开始，例如“节点1增加”，然后跟踪回路。回路是：

“增强”的，如果在循环之后，得到的结果与最初的假设相同。
“平衡”的，如果在循环之后，得到的结果与最初的假设相反。

或者换句话说:

强化回路中有偶数个负链接（0也算作是偶数，可以看下面的例子说明）。
平衡回路中有奇数个负链接。

识别强化回路和平衡回路是识别参考行为模式（即系统可能的动态行为）的重要步骤。

强化回路与指数增长和减少有关。
平衡回路与达到平衡稳定有关。

如果系统有延迟(通常是通过在因果链接中绘制短线表示)，则系统可能会发生波动。

示例

编者推荐

因果科学与 Causal AI 读书会第二季

因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注，为深入探讨、普及推广因果科学议题，智源社区携手集智俱乐部将举办第二季「因果科学与CausalAI读书会」。本季读书会着力于实操性、基础性，将带领大家精读因果科学方向两本非常受广泛认可的入门教材。

1. Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons, 2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）

2. Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.

读书会每周将进行直播讨论，进行问题交流、重点概念分享、阅读概览和编程实践内容分析。非常适合有机器学习背景，希望深入学习因果科学基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。详情参见：连接统计学、机器学习与自动推理的新兴交叉领域——因果科学读书会再启航。