事件Y
产生时，
们同时需要知道，如果事件X没有发生，事件Y是否就不会发生，以此估算出事件X发生与不发生产生因果效应。当事件X发生并被们观察到之后，事件X没有发生这种状态就无法观测到，因此，们无法“真正”进行因果检验。<注："反事实观测之所以重要，是因为如果事件A没有发生，们仍然观察到事件B发生，那说明事件A不
定是导致事件B发生原因，至少不是唯原因。同时，如果知道如果事件A没有发生情况下事件B状态，们就可以估计出因果效应。">为解决这个问题，个基本思路就是，想办法构造出事件X没有发生反事实案例。比如，在a案例下（或称为a样本）X发生，们观察到Y；们希望可以在b案例下（或称为b样本）观察若X不发生，Y是否也不发生。只要a与b在除X事件之外，其他条件非常相似，那
们可以将b案例中X事件不发生，近似地作为a案例中X事件发生反事实结果。通过比较a案例与b案例中Y事件发生与不发生情况，们可以推测X事件是否是Y事件发生原因。<注："但是，当们看到b案例中，X事件不发生，Y事件也发生时，们不能直接排除X事件是Y事件原因这结论，因为可能存在其他因素（在a，b中都存在）同时影响到X事件与Y事件。因此们需要更多观测样本，更仔细地比较不同样本（或案例）之间其他因素差异。">当差异性案例或样本足够多时，其他因素对事件Y影响就越来越随机，们进而可以更加准确地获知X事件对于Y事件影响。同时，们也可以利用定量方法来检验X事件与Y事件之间关系，而非逐个进行案例比较。
图1反事实框架下因果效应<注："由于无法观测实际因果效应，图中为随机因果效应。">
因果关系识别要求们能够找到相似案例进行反事实推断，然而案例之间往往存在诸多不同，因此有相当多干扰因素(confounders)会影响到们结论可靠性。尤其是当某些干扰因素因不可知而被们遗漏时，因果推断会遇到极大挑战。如果们能够找到某个历史场景，存在两个相似案例（地区或者组别），由于某种历史偶然性，其中个案例发生外生变化或者具有某种特征（这个变化或特征及其导致结果正是们关心），而另个案例没有发生这种变化或没有这种特征，那们就可以利用这样种“
请关闭浏览器阅读模式后查看本章节，否则可能部分章节内容会丢失。
