后门准则#

要使用后门准则识别因果效应，我们可以编写：

>>> # model is an instance of CausalModel
>>> identified_estimand = model.identify_effect()
>>> print(identified_estimand)

以上代码使用了默认的后门调整。有四种基本的后门调整方式。每种都旨在返回一个有效的后门集，但它们在如何选择要返回的变量集方面有所不同。

  1. maximal-adjustment：返回满足后门准则的最大集合。这通常是找到有效后门集的最快方法，但该集合可能包含许多多余的变量。

  2. minimal-adjustment：返回变量数量最少且满足后门准则的集合。这可能需要更长时间执行，有时可能在最大迭代次数内无法返回任何后门集。

  3. exhaustive-search：返回所有有效的后门集。对于大型图来说，这可能需要一段时间运行。

  4. default：这是最小调整和最大调整的良好结合。它从通常快速的最大调整开始。然后运行最小调整并返回变量数量最少的集合。

要使用特定类型的后门调整，我们可以使用 method 参数。

>>> identified_estimand = model.identify_effect(method="maximal-adjustment")

请注意，identify_effect 方法是一个便利方法，它也会搜索其他类型的识别。以下是使用函数式 API 的等效调用。

>>> from dowhy.causal_identifier import identify_effect_auto, BackdoorAdjustment
>>> identified_estimand_auto = identify_effect_auto(
>>>    graph,
>>>    treatment_name,
>>>    outcome_name,
>>>    backdoor_adjustment=BackdoorAdjustment.BACKDOOR_MAXIMAL
>>> )