政治学研究中因果推论原理——“反事实”框架
“反事实”框架是科学哲学家大卫•刘易斯（DavidLewis）等人提出的推断因果关系的标准。事实是指在某个特定变量（A）的影响下可观测到的某种状态或结果（B）。“反事实”是指在该特定变量（A）取负向值时可观测到的状态或结果（B’）。条件变量对于结果变量的因果性就是A成立时B的状态与A取负向值时“反事实”状态（B’）之间的差异。如果这种差异存在且在统计上是显著的，说明条件变量与结果变量存在因果关系。
随机实验是帮助研究者建立“反事实”框架的有效模式。设定两个组，把实验对象随机分入两个组中，一组施加激励，另一组不施加激励。其中施加的激励可以看成考察的条件变量。为什么随机实验能够满足“反事实”框架的要求呢？本质在于实验中的被试对象是随机地被分到实验组和控制组，其他可能的干扰变量在随机化的过程中都被“均等”地分到了两组，保证了我们关心的个案（事实）和那些与之相对应的“反事实”个案之间在关注的条件变量之外的干扰变量上取值是相同或近似的。随机实验是最接近科学要求的因果推论方法。但“反事实”框架几乎不太可能应用于政治科学，突出表现为“反事实的不可观测性”。由于历史的不可回溯性，研究者不可能观测到“反事实”状态，从而无法获得确定的因果效应。这种“反事实”的“不可观测性”被称为“因果推论中的根本问题”。
对于政治学研究者来说一个次优的选择是：基于政治学观测性研究的特性，尽可能地保证找到的“反事实”案例与关心的案例之间呈现极强的相似度，其目的就是控制干扰变量对结果变量的潜在效果，从而近似地完成“反事实”因果推论。在学术界，大样本、小样本和个案研究之间产生过孰优孰劣的长期争论。三种研究模式是统一的，要实现因果推论的目标，都必须遵守“反事实”原理。
个案研究视野下的“反事实”推论
传统个案研究是通过对某一个案“麻雀式的解剖”来了解政治事件的过程和特征，进而构建出政治学中层理论。但是，传统个案研究往往依赖于研究者的经验、知识结构，难以超越就事论事的分析。造成这一问题的根本原因在于传统个案研究是“归纳性”的而不是“控制性”的。
利用个案进行因果推理的关键在于如何通过加权方式将N个没有受到条件变量影响的个案综合起来形成对照个案，使之成为“反事实”。利用对照个案进行“反事实”推论也存在着以下的不足：一是构造对照个案对数据质量有较高的要求。需要一定数量的未经过条件变量影响的案例，研究者还需要了解每个案例的时间序列信息。二是构造对照个案是比较烦琐的工作。
小N案例定性研究是政治学的常用研究模式。在政治学的小N案例研究中，主要是采用控制干扰变量的方式近似地进行“反事实”因果推论。方案是寻找两个（或多个）对象，这两个（或多个）对象除了在关键的条件变量上取值存在差异外，其他方面都尽量相似，从而近似地形成了“事实”与“反事实”的匹配，达到因果推论的目的。最经典的“反事实”推论技术是密尔提出的四种建立变量间普遍性关系的“法则”：求同法、求异法、求同求异法和共变法。1970 年，亚当•普沃斯基和亨利•图纳在求同和求异法的基础上提出了“最具相似性系统”和“最具差异性系统”的比较案例分析设计，通过放宽条件大大增加了其在政治学中的应用性。
密尔法、最具相似（差异性）系统通过两个（或多个）单独案例构成“事实”与“反事实”的匹配来实现政治现象的单因解释。它在运用时包含了如下的假设：存在唯一的单因，不存在相互影响的效果。它是一种决定论式的解释，把复杂政治现象的发生归结为某一个最重要的关键性因素，具有一种逻辑上的简洁之美，能让读者感受到逻辑的清晰。
为实现因果的多因解释，政治学研究者引入了布尔代数中的逻辑真值表，形成了质性比较分析方法。在质性比较分析中，“事实”与“反事实”分别是包含多个案例的“案例组”，条件变量不再是单独的关键变量，而是通过布尔代数中“且”“或”“非”等连接符形成的“条件变量组合”，从而有效地实现了政治现象的多变量分析和联合分析。
质性比较分析是在对传统因果律批判基础上发展起来的，而多因转向的质性比较分析与认识论的革命密切相关。质性比较分析的最佳运用对象是那些可以明显进行两分的概念等。但是，政治学中的许多概念是模糊的，变量具有不同的隶属数值。2007年，根据模糊数学理论拉金开发了基于模糊值的质性比较分析方法（fsQCA）。fsQCA清晰地评估了现象发生的必要原因和充分原因。必要条件是通过吻合系数和吻合度表现出来的。吻合度从所有案例的角度来判断自变量是否是因变量的必要条件。
而充分条件通过模糊真值表和覆盖率展现出来。对于达不到必要条件的条件变量进行充分条件吻合系数的计算，从而形成模糊真值表。计算模糊真值的核心在于判断在每个案例中某个条件变量对结果变量充分条件的吻合系数。利用真值表来计算条件组合的覆盖率，从而判断条件变量的组合在多大程度上解释了结果变量。与传统的质性比较分析只能分析二元变量相比，基于模糊集的质性比较分析可以分析连续型的变量。
不过，利用小N案例进行“反事实”推论也存在一定的局限性：第一，“事实”与“反事实”之间无法实现完美的匹配，根本原因在于研究者无法预测并识别出影响结果发生的所有可能变量。第二，分析结果仍带有一定的主观色彩。质性比较分析中的“事实”与“反事实”案例均由研究人员主观选择，分析结果不可避免地要受到研究者知识结构、判断力等的影响。
倾向值匹配与大N案例因果推论
事实上，由于存在未知干扰变量混淆条件变量和结果变量之间的关系，质性比较分析无法控制所有的干扰变量，往往会导致遗漏变量和选择性误差问题。通过倾向值匹配的方式来控制和消除遗漏变量和选择性误差将是政治学大样本研究可使用的一种新兴统计工具。
倾向值匹配方法主要是通过具有相同或相似倾向值案例之间的匹配，分别考察受到条件变量作用及没有受到条件变量作用情况下匹配案例的结果，如果结果的差异是显著的，那么这种差异只能归因于条件变量，而不是其他的干扰变量。
为什么倾向值匹配方法能够进行有效的因果推论呢？原因在于它符合“反事实”逻辑推理框架。倾向值就像一道“阀门”，在倾向值匹配之前（时间点记为T0），可能有多个影响研究对象的干扰变量。在T0之后，除研究者关注的条件变量外，其他可能的干扰变量对同一匹配组内个体的作用是相同或相似的。因此，匹配组中个体间结果的差异只可能是由关注的条件变量所导致，从而完成了变量间的因果推论。
结论与进一步的研究方向
“反事实”框架的核心要义是匹配，通过控制干扰变量，观察条件变量变动对结果变量的影响，从而发掘变量之间的“净效应”。“反事实”框架不仅是因果推论的技术，更是进行因果探索必须坚持的理念，它为政治学研究打开了新的方法论天地。未来“反事实”研究在以下三个方面还亟待突破。
（一）干预路径扭曲问题
事实上，在实际操作时，为改变条件变量取值而进行干预时，往往会引起因果关系的扭曲。
（二）内生性问题
内生性涉及判断何为因何为果这一问题。在实践中可能会出现这样一种情况，就是操控的对象不是条件变量而是结果变量。特别是在定性研究阶段、无法进行随机实验的情况下，就成了一种普遍现象。
（三）穷尽性问题
“反事实”框架主要是通过案例间的匹配来实现因果推理。但是，完全的匹配是无法完成的任务。事实上，我们永远都无法确定是否穷尽了所有可能导致推论偏差的因素，这就需要开展因果推论的稳健性评估。
本文原载于《北大政治学评论》第3辑（商务印书馆，2018）。北大政治学（微信号：PKURCCP）为方便阅读，略去全部注释，并有删节和调整。
