一句话定义：反事实推理（counterfactual reasoning）是虚构一个“本来可能发生”的平行版本，再和已发生的现实做比较，用来判断某件事到底是不是原因。
它的核心动作很像吃药。你头疼，吃了一片止痛药，半小时后不疼了。药真的起作用了吗？你能观察到的只有一条时间线。于是你问自己：如果当时没吃药，会不会也一样不疼？如果会，那药就没功劳；如果不会，药才可能是原因。问题是，人不可能同时活在两个世界里，那个“没吃药的世界”永远缺失，只能靠实验、模型或数据去估计。
日常生活里也一样。考完试分数涨了，是因为多刷了十套题，还是那几天睡得好？你没法重来一次，只能在脑子里“换一个变量、其他都不动”，这就是反事实的基本姿势。
它和相邻概念的区别，可以用因果推断里常说的三层阶梯来看：
| 层级 | 问的问题 | 典型做法 | 主要局限 |
|---|---|---|---|
| 相关（correlation） | A 和 B 是不是一起变？ | 看统计、看数据 | 分不清谁导致谁 |
| 干预（intervention） | 如果我改变 A，B 会怎样？ | 随机对照试验、A/B 测试 | 很多场景做不了实验 |
| 反事实 | 对这一个已发生的事，换个选择会怎样？ | 因果模型、模拟、估计 | 无法直接观测，依赖假设 |
冰淇淋销量和溺水人数夏天一起涨，这是相关；禁售冰淇淋不会减少溺水，说明它不是原因。干预是主动去改；反事实则是针对已经发生的那一次，回头问“如果当时……”。
对从业者来说，这个视角很实用。做 A/B 测试，本质上就是人为造出一个反事实对照组。做推荐、风控或定价时，你只能看到已执行策略的结果，想评估新策略，就得用反事实估计的方法，否则很容易被历史数据带偏。做模型解释时，“把收入这项改成某个值，模型就会拒绝”这类反事实解释，往往比“收入权重很高”更能让人信服。
对普通人，它也值钱：复盘时少问“为什么失败”，多问“如果当时换个做法会怎样”，能少把巧合当成经验。需要提醒的是，反事实不是凭空算出来的，它建立在假设之上；假设错了，结论也会错。具体方法的实现细节，以官方文档和权威教材为准。