一、问题背景：相关性的"陷阱"
做良率根因，XGBoost特征重要度说"温度最重要"，于是调低温度，良率没变。后来发现：温度高的是老旧设备，老旧设备本身良率低——温度和良率是"共同原因（设备老化）"导致的相关，非因果。
2022年我们被这个伪相关坑了，白调3周参数。
痛点：ML给相关性，工业决策要因果性；伪相关导致错误干预（调了没用的参数）。
二、技术原理：为什么需要因果推断
因果推断用Do-calculus/结构因果模型（SCM）区分相关与因果，通过"干预"（do-operator）计算因果效应。
方法：构建因果图（设备年龄→温度/良率），用后门调整/工具变量剥离混杂，估计"调温度"的真实因果效应。
技术：DoWhy/EconML库。局限：需领域知识建因果图（错图得错因果）。
三、实战案例：某良率因果分析
2023年用DoWhy做良率因果分析：建因果图（设备年龄→温度+良率），后门调整剥离混杂。
结论：温度的因果效应仅-0.3%（伪相关显示-2%），真正因果是"设备年龄"（效应-5%）。优先换老旧设备，良率+4%。
踩坑：初期因果图漏了"产品类型"混杂变量，效应估计偏差，补全后修正。
图1：因果推断揭示温度是伪相关，设备年龄才是真根因
四、完整代码
因果效应估计代码（DoWhy）：
import dowhy
from dowhy import CausalModel
# 1. 构建因果图(领域知识)
model = CausalModel(
data=df,
graph="""digraph {
设备年龄 -> 温度; 设备年龄 -> 良率; 温度 -> 良率
}""",
treatment="温度", outcome="良率"
)
# 2. 识别(后门调整)并估计因果效应
estimands = model.identify_effect()
effect = model.estimate_effect(estimands,
method="backdoor.linear_regression")
print(f"温度的因果效应: {effect.value:.2f}%") # 剥离混杂后的真实效应
【为什么这样写】graph用领域知识显式编码因果结构（设备年龄同时影响温度和良率，是混杂变量）；identify_effect自动找后门路径；estimate_effect用后门调整"控制设备年龄"后估计温度的纯净因果效应，避免伪相关误导决策。
五、效果对比：分析方法对比
良率根因分析：
指标 | ML相关性 | 因果推断 | 价值 |
根因识别 | 温度(伪) | 设备年龄(真) | 纠偏 |
干预效果 | 无效 | 良率+4% | 有效 |
决策风险 | 高(误调) | 低(精准) | 降 |
可解释 | 特征重要 | 因果图 | 更强 |
因果推断能剥离混杂找到真根因，避免伪相关导致的错误干预。
图2：因果推断排序：设备年龄效应最大，温度几乎无因果
六、实施建议：落地建议
阶段1：领域专家建因果图（关键）；
阶段2：用DoWhy估计因果效应；
阶段3：优先干预强因果因素。
七、进阶方向：从因果到决策
当前局限：因果图需人工。下一步因果发现（自动学图）。
行业趋势：因果+ML融合。
我的判断：因果推断是工业AI决策核心。
------------------------------------------------------------
【评论引导】你们做根因分析被相关性坑过吗？评论区聊聊。
【VIP推广】VIP资源《因果推断根因分析代码包》已上传，私信[因果]获取。
【粉丝关注】关注我，分享半导体质量AI实战。
