The Innovation | 没有实验干预，科学家如何找到因果关系？

本文探讨了在无法进行实验干预的条件下，仅依靠观测数据识别复杂系统中变量间因果关系的问题。研究背景指出，许多科学问题的核心是因果关系而非简单相关性，但真实系统的复杂性和不可干预性（如神经系统、气候系统）使得传统统计方法（如Granger因果）易受混杂因素影响，产生误导。研究目的旨在提出新方法，区分构造性动力学因果与干预性动力学因果，并开发能在无实验干预时识别干预性因果的算法。结论是，研究者提出了干预性动力学因果的数学框架，并构建了干预性嵌入熵(IEE)算法，该算法基于延迟嵌入重构与信息论，能有效量化非线性、不可分系统中的干预性因果强度，且对噪声和参数鲁棒。在Logistic系统、线虫神经系统、COVID-19传播及生物节律网络等模拟与真实系统验证中，IEE成功避免了混杂因素导致的误判，正确识别了因果结构。该研究为不可干预复杂系统提供了新的因果推断工具，并有望与机器学习结合推动数据驱动的因果科学发展。