---
title: "反事實推理（Counterfactual Reasoning）"
slug: counterfactual-reasoning
language: zh-TW
source: https://aiterms.tw/terms/counterfactual-reasoning
updated_at: 2026-07-30
tags: [因果關係, 機器學習, 可解釋性, 決策支持, 貝葉斯方法]
ipas_term: false
---

# 反事實推理（Counterfactual Reasoning）

基於對現實世界的因果理解，推測「如果過去發生不同的事，現在會是什麼樣」的推理方式。

## 完整說明

反事實推理（Counterfactual Reasoning）是一種思維與推理方式，透過因果模型想像替代現實（counterfactual world），推導「如果某件事沒發生或不同發生，結果會如何」的因果效應。反事實推理是人類日常決策、責任歸咎與學習的根本機制，在 AI 應用中用於解釋模型決策、評估策略影響、進行因果推斷與公平性分析。

## 常見問題

### 反事實解釋和特徵重要性解釋有什麼區別？

特徵重要性解釋（如 SHAP、Permutation Importance）回答「哪些特徵對模型決策貢獻最大」；反事實解釋回答「改變什麼特徵值能改變決策」。兩者視角不同：特徵重要性關注「為什麼是這個決策」，基於模型的統計依賴；反事實解釋關注「怎樣改變才能得到不同決策」，基於因果邏輯。例如，信用評分模型中，特徵重要性可能顯示「年收入最重要」，反事實解釋則可能是「若年收入增加 $15,000，貸款申請會被批准」或「若信用歷史記錄刪除某筆逾期，申請會被批准」。對於用戶而言，反事實解釋更可操作、更能指引決策；但反事實的計算依賴因果模型，在模型不完全時風險更高。

### 如果我的因果模型錯了，反事實推理的結論還有意義嗎？

沒有。反事實推理的有效性完全依賴於因果模型的正確性。若因果模型的結構或參數有誤，推導出的反事實結論可能與現實相悖。例如，若模型假設「投廣告 → 銷售」但實際上「高銷售週期 → 廠商更願意投廣告」（反向因果），基於錯誤模型的反事實分析「若增加廣告，銷售會增加」就是誤導。這是反事實方法的根本風險。在實務中，應對策略包含：第一，透過領域專家與文獻驗證因果模型；第二，進行敏感性分析，測試模型假設改變對反事實結論的影響；第三，在模型不確定時，報告反事實結論的範圍而非單點估計；第四，與實驗或隨機試驗的結果對比驗證。

### 反事實推理和想像不同的人生道路有什麼不同？

本質上相同，只是形式不同。人類在日常中經常進行反事實推理：「若我高中多用功讀書，現在可能進了更好的大學」或「若昨天沒遲到，不會被開除」。這些都是隱含的因果推理，基於對世界運作方式的直觀理解。科學與 AI 中的反事實推理則是將這種直觀的推理形式化為數學模型（如因果圖、結構方程），使其可計算、可驗證、可應用到複雜決策中。形式化的好處是：可減少認知偏誤（人類的直觀反事實推理往往有系統性誤差）、能處理多因素交互的複雜場景、以及能量化不確定性。但風險是，如果形式化的因果假設錯誤，可能比直觀推理更具誤導性。

---

來源：https://aiterms.tw/terms/counterfactual-reasoning
快查頁：https://aiterms.tw/terms/counterfactual-reasoning
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-counterfactual-reasoning