在《为什么》一书中，Judea Pearl 对因果图（或因果图）进行了全面概述，但对我来说，术语尚不清楚。在书中，他在介绍因果贝叶斯网络之前，先介绍了人工智能背景下的贝叶斯网络。

问题1 ：因果图和因果贝叶斯网络有什么区别？

此外，他定义了结构因果模型(SCM) 并证明了其处理反事实的必要性：

响应函数是使 SCM 能够处理反事实的关键要素。它隐含在鲁宾的潜在结果范式中，但它是 SCM 和贝叶斯网络（包括因果贝叶斯网络）之间的主要区别点。在概率贝叶斯网络中，指向 Y 的箭头表示 Y 的概率由 Y 的条件概率表控制，给定对其父变量的观察。因果贝叶斯网络也是如此，除了条件概率表指定了 Y 给定干预父变量的概率。这两个模型都指定了 Y 的概率，而不是 Y 的特定值。在结构因果模型中，没有条件概率表。箭头仅表示 Y 是其父项以及外生变量的函数$U_Y$：

$$Y = f_Y(X, A, B, C,…, U_Y)$$ (...) 要将非因果贝叶斯网络转变为因果模型——或者更准确地说，使其能够回答反事实查询——我们需要在每个节点上建立剂量反应关系。

虽然我理解需要使用剂量反应关系来进行反事实的模型，但我看不出上面由 Pearl 定义的SCM与在本书中由 Hernan 和 Hernan定义的因果结构模型之间的区别。罗宾斯。

问题2：这两种模式有根本区别吗？