反事实推理引擎

要解决什么问题

做政策评估时，最常见的问题是"如果当初没有推行这项政策，结果会怎样"。纯计量方法（如合成控制法）能给出数值估计，却解释不了"为什么会这样"；直接问 LLM "如果…会怎样"，又容易得到看似合理实则空洞的回答。反事实推理引擎把这两条路合并：数据够的时候用数学方法算，数据不够的时候用叙事补位，并且把不确定性显式标注出来，而不是藏进一段流畅的文本里。

它如何工作

核心是双通道架构：

• 量化通道（synthetic_control.py）：基于纯 numpy/scipy 实现合成控制法。输入干预时间、处理单元、结果变量与候选池，引擎用 scipy.optimize.minimize 求解 donor 权重，约束为非负且和为一；随后计算观测轨迹与合成反事实轨迹的缺口，作为处理效应估计；最后对每个 donor 单元轮流做安慰剂测试，检验估计出的效应是否只是噪声。
• 质化通道（narrative.py）：LLM 围绕估计出的效应缺口生成结构化的机制解释，按直接效应、溢出效应、均衡调整、异质性响应四类机制组织。每条叙事都带置信标签：HIGH_CONF（多源印证）、MED_CONF（理论或部分证据支持）、LOW_CONF（合理但推测性强）、SPECULATIVE（仅理论可能）。
• 证据分级（evidence.py）：所有断言再按 A/B/C/D 四级评估证据质量，从"多源严格验证"到"无依据或自相矛盾"。Reporter 最终把量化估计与叙事合并为一份完整的 AnalysisResult。

适用边界

• 不是通用因果推断库：没有 DiD、RDD、IV 等方法，只有合成控制。
• 不自动获取数据：donor 池需要用户自行提供或构造。
• 不做严格的统计假设检验：安慰剂测试之外没有正式检验。
• 只适合静态、批量的事后分析，不支持实时流式数据。
• LLM 叙事是推理辅助工具，SPECULATIVE 级别的结论不能当因果证据用，需要与领域知识交叉验证。