反事实推理

反事实推理是现代因果推断的基础逻辑：它将暴露效应定义为在相同个体或人群中，实际发生的情况与在不同、与事实相反的暴露下可能发生的情况之间的比较。由于这些结果中只有一个能被观察到，因果推断就变成了恢复缺失的反事实的问题。

Definition

反事实推理将因果效应定义为潜在结果之间的对比，即一个单位在不同暴露下可能经历的结果，其中每个单位最多只能观察到一个结果。

Scope

本主题涵盖了潜在结果（鲁宾因果模型）框架、将个体和平均因果效应定义为反事实对比，以及每个单位只能观察到一个潜在结果的因果推断基本问题。它是一个方法学参考，而非临床指导。

Core questions

• 在不同暴露下，相同的人会发生什么？
• 当只能观察到一个结果时，如何定义因果效应？
• 个体和平均因果效应之间有什么关系？

Key concepts

• 潜在结果
• 个体因果效应与平均因果效应
• 因果推断的基本问题
• 反事实对比
• 可交换性
• 一致性

Mechanisms

在鲁宾（rubin-1974）形式化的潜在结果模型中，每个单位在每种可能的暴露下都有一个潜在结果；个体因果效应是它们之间的对比，而平均因果效应是这些对比的总体均值。基本问题是，只能观察到实际接受暴露下的结果，因此必须使用比较组来估计反事实。这仅在组具有可交换性时才有效，即如果它们接受相同的暴露，它们将具有相同的结果分布（greenland-robins-1986），并且当观察到的结果与相应的潜在结果匹配时（一致性）。随机化通过设计使可交换性成立；在观察性数据中，必须假设并捍卫它（hernan-robins-2006）。因果图提供了这些相同反事实假设的补充结构表示（greenland-pearl-robins-1999）。

Clinical relevance

反事实定义阐明了治疗或暴露效应的实际含义，以及为什么有效的比较组至关重要，这支撑了健康科学中所有因果证据的评估。它描述了效应估计的逻辑，而不是个体诊断或治疗决策的基础。

Epidemiology

潜在结果框架是当代流行病学方法的概念支柱，从随机试验到使用调整、加权或g-方法进行的观察性分析。它提供了现在定义混杂、选择偏倚和效应修饰的语言（hernan-robins-2006）。

History

潜在结果的思想可追溯到内曼在20世纪早期关于随机实验的工作，并于1974年由鲁宾推广到观察性研究（rubin-1974）。格陵兰和罗宾斯通过可交换性将其与流行病学混杂联系起来（greenland-robins-1986），该框架后来与因果图统一（greenland-pearl-robins-1999），成为流行病学家定义和估计因果效应的核心（hernan-robins-2006）。

Debates

反事实干预必须定义得多么明确？

一些人认为，反事实对比仅对与合理明确的假设干预相对应的暴露才有意义，这引发了关于种族或体重等属性效应的问题；另一些人则对可接受的对比持更广泛的看法。

Key figures

• Donald Rubin
• Jerzy Neyman
• James Robins
• Sander Greenland
• Miguel Hernán

Seminal works

• rubin-1974
• greenland-robins-1986
• greenland-pearl-robins-1999

Frequently asked questions

为什么它被称为因果推断的“基本问题”？

因为对于任何单位，只能观察到实际接受暴露下的结果；替代暴露下的结果是缺失的，因此个体因果效应永远无法直接测量。

随机化如何帮助处理反事实？

随机分配使暴露组平均而言具有可交换性，因此一组中观察到的结果估计了另一组缺失的反事实结果，从而可以估计平均因果效应。