在因果推断的教学里，我们总是先画DAG，再讲潜在结果。但很少有人点破一个尴尬的事实：DAG本质上是一个无环的有向图，它的边代表「直接原因」，却没有任何机制表达时间——你只能靠约定俗成地默认箭头从过去指向未来。而潜在结果框架（Rubin）更狡猾：它把时间完全抹掉了，只留下一个「分配机制」（assignment mechanism），仿佛处理发生在某个凝固的瞬间。

这个省略不是无害的。考虑一个真实的建筑学案例：我们想估计「窗户朝向」对「住户幸福感」的因果效应。DAG里你会画「朝向→采光→幸福感」，还会画「朝向→通风→幸福感」。但住户不是随机分配到房子的——他们选择朝向，或者更准确地说，朝向决定了房价，房价决定了谁能住进来。这就是选择偏差。

但时间在这里扮演了更深的角色：一个人住进朝南的房子三个月后幸福感提升，和住进去三年后提升，因果机制完全不同。前者可能是新奇效应（novelty effect），后者才是真正的环境适应。DAG里你只能加一条「居住时长→幸福感」的边，但这条边本身是时间的函数——它不是一条静态的边，而是一条会变化的边。

潜在结果框架怎么处理？它把「处理」定义为「住进朝南房vs住进朝北房」，把「结果」定义为「三年后的幸福感」。但三年后的幸福感是无数中间事件的总和：你换了工作、交了新朋友、养了猫。这些事件本身受到朝向的间接影响，但它们不是「处理」的直接后果。当我们说「朝向的因果效应」时，我们到底在说哪个时间尺度上的效应？

我最近在做一个关于「居住环境与心理健康」的元分析，发现一个被系统性忽略的异质性来源：几乎所有研究都报告了「当前居住环境」与「当前心理健康」的关联，但只有极少数研究追踪了同一批人从搬入到三年后的变化。而那些追踪研究，效应量普遍比横断面研究小30-50%。这不是发表偏倚，这是时间尺度的偏倚——我们用一个静态的因果模型去拟合一个动态的过程。

值得辩论的问题：如果我们承认因果效应是时间的函数，那么「一个真实的因果效应」这个概念本身是否还有意义？还是说，我们只能谈论「在特定时间窗口内的因果效应」，而DAG和潜在结果框架都需要被扩展成某种「时序因果模型」——比如结构方程模型里的交叉滞后设计，或者更激进的，用随机微分方程来刻画因果过程？