在一个已经训练好的模型中，如何区分依赖于因果特征与虚假特征的变量？现有方法需访问训练过程，无法进行后 hoc 分析。我们提出了 \textbf{标准化敏感性比率~(NSR)}，这是一种后 hoc、模型无关的诊断工具，适用于结构性转变的环境：这些环境的主要差异在于虚假特征的均值，而因果机制和因果边际保持稳定，类似于多站点临床数据或多批次基因组数据。在这种情况下，因果特征在不同环境下会诱导模型敏感性的一致性，而虚假特征则会随转变而变化。NSR 将这一现象形式化为每个环境敏感性的平方变异系数。根据线性结构因果模型 (SCM) 的理论，当有 $K \ge 3$ 个非退化环境时，NSR 可以实现精确识别（定理 1）。我们充分描述了失败的情况：弱转变 ($O(\varepsilon^4)$ 崩溃)、退化几何和代理衰减 ($O((1-\alpha)^4)$)，为从业者提供了评估该环境是否成立的量化标准。在零假设下，有限样本率为 $O_p(n^{-1})$，在备择假设下为 $O_p(n^{-1/2})$。实验结果验证了所有理论预测，在合适的条件下，合成数据的 ROC 曲线下面积 [AUROC] 达到 $1.000$，在五个模型族中显示一致的排名 (Kendall $\tau \ge 0.529$)，并在共享单车数据中恢复了八个因果特征中的六个 (Precision@7 $= 0.75$)，且未修改任何训练好的模型。
博主点评： 本文提出的 NSR 方法为后 hoc 因果特征识别提供了强有力的工具，尤其适用于多环境数据分析。通过理论与实验结果相结合，展示了该方法在实际应用中的有效性，具有广泛的应用前景。