Shipley的观点基于所谓的有向无环图（Directed Acyclic Graph，DAG），即如上所述的路径图结构类型，如果两个变量之间有箭头，则认为它们是因果相关的，如果它们之间没有箭头，则是因果独立的，考虑以下示例：
x1直接独立于y2，归因于它们之间没有箭头。
但是，y2可能通过y1而被x1间接影响，因此x1独立于y2的条件取决于y1。这是一个重要的区别，因为它暗示了我们必须测试x1和y2之间缺失的箭头是否重要。
这种情况下，常使用有向分离（简称D分离）在控制变量路径的条件下，测试因果独立的路径是否有意义。该测试可发现在既定模型中是否缺失某些（直接）路径以及是否需要在改进模型时将缺失的路径考虑进来。
首先，列出所有没有（直接）箭头的变量对，然后列出所有可能他介导变量对的变量，这些独立声明对及其条件变量构成基础集。对于上述DAG，获得的基础集包括：(www.xing528.com)
然后可以将基础集转换为一系列线性模型，将条件变量（y1和y2）作为协变量考虑在内，目的是关注DAG中可能缺失的直接路径（例如x1～y2）。
在控制y1或y2的条件下，分别运行这些模型，并提取与缺失直接路径相关的p值，并根据p值计算Fisher’s C统计量：
Fisher’s C统计量遵循具有2k个自由度的卡方分布（其中k=基础集中变量对的数量）。如果对其进行卡方检验并且检验获得的p＜0.05，则该模型拟合不是很好，换句话说，变量对中存在一个或多个缺失的直接路径是有意义的，可能还需将它们加入到模型中进行优化；相反，如果p＞0.05，则该模型可以很好地表示数据，原模型中已经识别所有有效路径，没有遗漏的路径。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
