使用CausalNex生成Python DAG输出错误？原因及替代方案咨询

问题描述 #

我正在用CausalNex在Python中从数据集生成DAG，节点正确但边完全不符合预期。测试用的DataFrame包含四个自变量（Requestor、Risk、Size、Developer）和一个因变量（Duration），生成的DAG如下：

我是否错误使用了该库？为何输出与真实数据生成过程差异巨大？贝叶斯网络模型是否能优于CausalNex？

测试代码如下：

# Generate initial data

import numpy as np
import pandas as pd

np.random.seed(42)
fib_list = [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

df = pd.DataFrame({
    "Requestor": np.random.randint(1, 4, 100),
    "Size": np.random.randint(1, 4, 100),
    "Risk": np.random.randint(1, 4, 100)
})

df['Developer'] = np.random.choice(fib_list, df.shape[0])
df["Duration"] = (
    0.1 * df["Requestor"] +
    0.2 * df["Size"] +
    0.2 * df["Risk"] +
    0.5 * df["Developer"]
)

# Generate graph

from causalnex.structure.notears import from_pandas
import matplotlib.pyplot as plt
import networkx as nx

sm = from_pandas(df)
sm.remove_edges_below_threshold(0.8)
nx.draw_shell(sm, with_labels=True, font_weight ="bold")
plt.show()

期望得到的DAG如下：

原因分析 #

1. 样本量不足 #

CausalNex默认采用的NOTEARS算法，需要足够的数据量才能准确识别变量间的因果关联。仅100条样本的规模下，算法极易把随机波动误判为真实关联，或是漏掉弱但存在的因果关系。

2. 变量关联强度差异过大 #

Duration的计算公式中，Requestor的权重仅为0.1，与Duration的相关性极弱；而Developer的权重达0.5，相关性极强。NOTEARS对弱关联的捕捉能力有限，再加上样本量不足，直接漏掉了Requestor→Duration这条真实边，反而可能误识别其他变量间的随机关联。

3. 边过滤阈值设置过高 #

你使用了sm.remove_edges_below_threshold(0.8)，这个阈值过于严苛。NOTEARS输出的边权重代表关联强度，0.8的阈值会过滤掉大部分弱关联但真实存在的边，仅保留最强的关联，自然与预期结构偏差极大。

调整方案 #

• 增大样本量：将样本数从100提升至1000以上，给算法足够的数据支撑以识别真实因果关系。
• 降低过滤阈值：将remove_edges_below_threshold的参数调整为0.1或0.2，先保留所有潜在关联边，后续结合领域知识手动修剪错误边。
• 引入先验知识：若已知部分因果关系，可手动添加边或限制算法推断范围。比如禁止Duration作为父节点（因它是因变量），示例代码如下：

  # 生成结构时禁止Duration指向其他变量
  sm = from_pandas(df, tabu_edges=[("Duration", "Requestor"), ("Duration", "Size"), ("Duration", "Risk"), ("Duration", "Developer")])
  # 手动添加已知的因果边
  sm.add_edge("Requestor", "Duration")
  sm.add_edge("Size", "Duration")
  sm.add_edge("Risk", "Duration")
  sm.add_edge("Developer", "Duration")
  

贝叶斯网络 vs CausalNex #

两者没有绝对的优劣，需结合需求选择：

• CausalNex主打因果结构自动推断，适合从数据中探索未知因果关系的场景，工具链更贴合因果推断需求。
• 传统贝叶斯网络（如pgmpy实现的）更偏向概率推理，通常需先手动定义结构（或借助其他结构学习算法），再学习条件概率分布。若已明确因果结构，贝叶斯网络在概率预测上更成熟；但如果需要从无到有学习结构，CausalNex调整参数后也能达到不错的效果。

内容的提问来源于stack exchange，提问作者rafaela medeiros