反事实预测：如果过去发生改变，结果会怎样？
反事实预测：如果过去发生改变，结果会怎样？
在日常决策、政策评估、机器学习公平性分析中，我们常常需要回答一个关键问题：如果当初做出不同的选择，结果会变成什么样？这就是反事实预测的核心。
本教程将从零开始，带你理解反事实预测的基本概念、核心挑战、主流方法以及实际应用场景。无需深厚的统计学背景，只要保持一颗追问“如果”的好奇心。
一、什么是反事实预测？
1.1 从日常例子讲起
你早上选择乘地铁上班，结果迟到了。此时，你很自然地会想：“如果今天我开车走高速，会不会就不迟到？”——这就是一个典型的反事实思维。反事实预测，就是把这种“如果……就……”的推论，用数据和模型来量化地做出来。
1.2 定义与核心要素
反事实预测，是在可观测的数据已经发生的情况下，估计如果某一条件（干预、策略、事件）在同一个体或系统上改变，结果将如何变化的预测任务。
核心要素：
- 单元（Unit）：一个观测对象，如一个用户、一个城市、一个时刻。
- 处理/干预（Treatment/Intervention）：我们关心的改变，例如服用药物、调高价格、发布一条推文。
- 结果（Outcome）：干预后我们想预测的量，例如康复时间、销量、转发数。
- 反事实结果（Counterfactual Outcome）：与实际发生的（事实）结果相反的那个结果。
1.3 反事实与普通预测的区别
普通预测是根据已有的特征推测未来的（或未见的）结果。反事实预测则必须剥离掉因果效应——它问的是“改变其中一个特征后，同一个个体的结果如何变化”，而不是“类似个体的平均结果是什么”。
二、为什么需要反事实预测？三大关键应用
2.1 政策评估与决策优化
政府或企业推出某项措施后，常常想知道这到底带来了多少增量价值。例如：
- “电商满减优惠券实际带来了多少额外销售额？”
- “如果利率提高0.5%，房价会下跌多少？”
- “如果某条路限速降低，事故率能降低多少？”
这类问题无法通过简单对比“有干预”和“无干预”的两组人来回答，因为选择干预的人本身就可能不同。反事实预测试图弥补这种选择偏差。
2.2 个性化反事实解释
在信贷审批、疾病诊断、高校录取等场景中，当模型给出一个不利的决定时，人们常会问：“我需要改变什么才能得到想要的结果？”反事实预测可以生成一条最低成本的改变路径。例如：
- “如果你的收入增加20%，或过去2年无逾期记录，你就能获得贷款批准。”
- “如果你将每天锻炼时间提高到30分钟，心脏风险评估将降至正常。”
这被称为可操作反事实解释，是负责任AI的重要组成部分。
2.3 因果公平性分析
机器学习模型可能对某些群体存在系统性偏见。反事实预测可以用来衡量：如果一个体仅改变受保护属性（如性别、种族）而保持其他所有相关变量不变，模型对该个体的结果预测会如何变化。若变化显著，则可能表明存在直接歧视。
三、反事实预测的核心挑战：基本问题
3.1 反事实基本问题
对于任何一个单元，我们只能观察到两种情况之一：要么它接受了处理，要么没接受处理，不可能同时观测到两种状态下的结果。缺失的那一半数据，就是反事实。因此，反事实预测本质上是一个缺失数据插补问题。
例如，一位患者服用了新药，我们能看到他的恢复时间，但我们永远看不到“同一位患者如果在同一时刻没服药”的结果。要预测这一反事实，只能利用相似患者未服药时的表现。
3.2 混淆因素与选择偏差
如果决定“是否接受处理”的因素也影响结果，那么直接对比接受组与未接受组的结果会产生混淆偏差。例如，选择服用新药的患者可能本身病情更轻，此时即使药物无效，他们恢复得更快也会让人误以为药物有效。
因此，反事实预测必须尽力调整或消除混杂因素带来的偏差。
四、通往反事实预测的主要方法
这里按照从简单到复杂、从观测数据到结构化模型的顺序，介绍最常用的方法。
4.1 随机对照试验的理想世界
如果我们可以随机分配干预（如药物、折扣、展示某条广告），那么干预组和对照组在可观测与不可观测特征上都是均衡的。此时，反事实预测可以直接用对照组的平均结果来近似。但现实中纯粹随机分配往往无法实现，于是我们需要下面的观测性研究方法。
4.2 调整与匹配方法
倾向得分匹配（Propensity Score Matching）
为每个接受处理的单元，在未接受处理的群体中找一个倾向得分（接受处理的概率）最接近的单元，用后者的结果作为反事实估计。通过匹配，来模拟随机化。
逆概率加权（Inverse Probability Weighting）
按照个体接受其实际接受的处理概率的倒数进行加权，构造一个伪总体，使处理分配独立于背景变量，从而消除混淆。
4.3 结果回归与双重稳健
直接用特征预测结果，并假设处理效应在所有个体上一致。例如拟合模型：
Y = α + β * T + γ * X
这里 β 就是平均处理效应。虽然简单，但过于依赖模型的形式正确性。
双重稳健方法（Doubly Robust） 结合倾向得分模型和结果回归模型，只要其中一个模型设定正确，就能得到一致的反事实估计，在实践中非常常用。
4.4 结构因果模型与do-演算
由Pearl提出，通过构建有向无环图（DAG）显式表示变量之间的因果关系，然后利用do-演算公式，从观测分布推导出干预后的分布。
例如，对于因果图：X -> Y，Z是X和Y的共同原因，我们要估计 P(Y | do(X=x))。结构因果模型可以明确哪些变量需要调整，从而阻断后门路径。
4.5 反事实预测的现代机器学习方法
近年来，许多专门为异质处理效应和个体反事实预测设计的机器学习模型被提出：
- 因果森林（Causal Forest）：集成多棵因果树，能估计个体处理效应，并给出置信区间。
- 贝叶斯结构时间序列模型（CausalImpact）：用于时序数据，通过合成反事实轨迹来评估干预影响。
- 深度反事实模型：如TARNet、CFRNet等，学习平衡的表示空间，用来预测反事实结果。
- 生成式模型：如CEVAE等，用变分自编码器从混杂观测中恢复潜在变量，再做反事实推断。
4.6 可操作反事实生成
当目标是为算法决策提供解释时，我们需要找到一条“最小代价”改变特征值的路径，使得模型结果发生反转。常用方法包括：
- 基于梯度优化，搜索最近的反事实样本。
- 使用遗传算法或整数规划，满足可行性约束。
五、手把手案例：假如没有促销，销量会是多少？
我们来模拟一个零售场景。你有历史每周的销量数据 sales，以及是否做了促销的标记 promo。你想知道某次促销的真正提升效果。
步骤1：定义问题
事实：第10–12周做了促销，销量飙升。
反事实：如果在同一时期不做促销，销量会是多少？
步骤2：选择方法
这里我们使用时序结构因果模型（CausalImpact），它用促销之前的数据构建一个“合成控制”序列，作为反事实基线。
- 使用促销前数据，用其他未促销门店或百度指数等控制变量，训练贝叶斯结构时间序列模型。
- 预测促销时期的“自然销量”后验分布。
- 促销效果 = 实际销量 − 预测自然销量。
步骤3：解读结果
如果反事实曲线远低于实际曲线，说明促销有效。模型还会给出后验概率和累计增量，辅助决策。
六、常见误区与注意点
- 把相关当成因果：冰淇淋销量和溺水人数相关，但你不能用“减少冰淇淋销量”来预防溺水。反事实预测必须建立在合理的因果假设上。
- 遗漏混淆变量：如果驱动处理和结果的因素没有被全部观测到（即存在未观测混杂），大多数方法都会失效。此时需要考虑工具变量、断点回归等准实验设计。
- 忽略领域约束：反事实解释给出的建议可能无法在现实中实现（如“年龄减少10岁”），必须加入可行性约束。
- 过度自信：现实数据很难满足强可忽略性假设，一定要做敏感性分析或量化不确定性。
七、从入门到实践的学习路径
- 理论基础：浏览《为什么：关于因果关系的新科学》（Judea Pearl），获得因果思维。
- 工具上手：学习使用 Python 的 dowhy、EconML、CausalNex 等库。
- 项目实战：找一个你实际工作或生活中的“如果”问题，明确处理变量、结果和可能的混杂因素，构建DAG，尝试用匹配或因果森林估计反事实。
- 进阶探索：了解未观测混杂下的敏感性分析，以及连续型干预、动态干预的反事实预测方法。
反事实预测将数据驱动决策从“描述发生了什么”推向“理解为什么发生，以及如何主动塑造未来”。掌握它，你就拥有了一套系统性应对不确定性下因果问题的思维工具。现在，不妨挑一个你关心的“如果”问题，开始你的第一次反事实建模吧。