do 符号的正确解释是表达式$\operatorname{do}(X=1)$意味着你在强迫 $X$拥有价值$1.$你正在干预以实现这一点。在有向无环图 (DAG) 上下文中，符号$\operatorname{do}(X=1)$意味着你做三件事：

1. 删除所有进入的箭头$X.$
2. 更换节点$X$与价值$1.$
3. 相应地更新结构因果模型。这假设您有一个结构因果模型。

在实验环境中，将变量（或因子）强制为特定值以消除不需要的变化是司空见惯的。珍珠引入的众多好处之一$\operatorname{do}$表示我们现在可以将实验假设和程序编入一个易于分析的框架中。

你写了：

作者是否声称平均治疗效果是对整个人群进行治疗的结果预期与对整个人群未进行治疗的相同预期之间的差异？

答案是“是”，如果您将“被视为”的话解释为$\operatorname{do}(X=1)$和“不被视为”$\operatorname{do}(X=0).$do-calculus、后门标准、前门标准、工具变量等的主要目标是将包含 do 运算符的因果表达式简化为不包含 do 运算符的概率表达式。这样，您可以使用您的数据评估结果。

问题是，一般来说，$P(Y|\operatorname{do}(X=x))\not=P(Y|X=x).$因此，您拥有了 Pearl 和其他人提出的这些程序，用于从表达式中删除 do 运算符。

你写了

如果是这样，为什么对混杂效应的调节会消除这种需要？

阅读《统计中的原因或因果推理之书：入门》以了解其工作原理。事实上，我们真正知道什么是混杂变量（一个设置从原因到结果的后门路径的变量）是新因果革命给我们带来的最有价值的东西之一。