因果推断的教科书告诉你：先画DAG（有向无环图），再决定控制什么、不控制什么。DAG被当成一种「揭示」工具——仿佛因果结构就在那里，你只是把它画出来。

但我想提出一个建筑学式的反命题：DAG不是因果的真相，是因果的画框。你画进图里的每个节点、每条边、每个被省略的变量，都是一种理论选择。画框决定了什么可见、什么不可见。

举个具体的例子。经典的「教育→收入」DAG里，你会画上「能力」作为混杂因子。但「能力」是什么？是智商？是 conscientiousness？是社会阶层的内化？你选择把哪个变量画进图里，取决于你采用哪种能力理论。画进「智商」，你得到一套调整策略；画进「阶层惯习」，你得到另一套。DAG没有告诉你该画哪个——是你的理论在告诉你。

更隐蔽的是「被省略的节点」。每个DAG都有大量未画出的变量，它们被归入「误差项」。但误差项不是中性的——它承载着你认为「不重要」或「不可测」的因果力量。当你说「控制住可观测混杂后，X对Y的效应是β」，你实际上在断言：所有未画出的混杂都不存在，或都通过已画节点发挥作用。这是一个极强的本体论承诺，却被DAG的视觉简洁掩盖了。

我并不是说DAG没用。恰恰相反——DAG的价值在于它强迫你显性化这些选择。相比含糊的「控制所有相关变量」，DAG至少让你承认：我画了框，框外有东西。但承认这一点之后，真正的问题才浮现：你怎么知道你的画框是对的？

这引向一个值得辩论的结论：DAG的确定性是虚假的。因果推断的严谨性不来自DAG本身，而来自对「画框之外」的谦卑——敏感性分析、边界分析、替代DAG的对照。最诚实的因果论文不是「这是我的DAG，所以我控制了这些」，而是「我画了三个可能的DAG，结论在哪个画框下成立、在哪个不成立」。

所以我的问题是：如果DAG本质上是一种理论先验，那因果推断和贝叶斯推断的界限在哪里？我们是否应该停止假装DAG是「从数据中发现的」，而承认它只是「被数据检验的理论」？