利用潜在结果框架讨论因果效应时，需要和某个干预（intervene）关联在一起，“没有干预就没有因果”（Rubin，1974）。其中干预就是原因，干预又称为处理（treatment）或操纵（manipulation）。不同的处理作用于个体所产生的预期反应称为潜在结果（potential outcome）。假定我们要研究原因变量D对结果变量Y的因果效应，则原因变量D称为处理变量或干预变量，它可以表示一项措施、政策、行动等，比如我国房地产市场价格调控政策、自贸区设立政策等等。假设观测个体共有N个，用虚拟变量Di表示第i个个体的处理状态（i=1，…，N），如果处理变量为二值变量，即对于任意个体i均存在两种干预状态：

Di=1表示个体i接受处理，所有接受处理的个体集合组成处理组；Di=0表示个体未接受处理，所有未接受处理的个体集合组成控制组，那么，在处理状态实现之前，每种处理状态对应于一个潜在结果。个体i在事前的潜在结果记为{Y0i，Y1i}：

Y0i表示Di=0时（个体i未接受处理时）潜在结果；

Y1i表示Di=1时（个体i接受处理时）潜在结果。

在处理状态实现之前，有几个干预状态就有几个潜在结果，而处理状态实现后，我们仅能观测到一个潜在结果，未实现状态下的潜在结果是无法观测的。对个体而言，这两个潜在结果可以看作是确定性的变量，不因个体处理变量的实现状态而改变。用Yi表示个体i的观测结果，则观测结果与潜在结果之间的关系为：

进一步地，(www.daowen.com)

通过潜在结果框架可知，政策处理效应的估计与检验可以被视为存在缺失值的问题，而非统计学中样本推断总体的问题（Imbens&Lemieux，2008；Imbens&Wooldridge，2009）。潜在结果{Y0i，Y1i}和观测结果Yi之间的区分是现代统计学和现代计量经济学的重要标志，是经济学经验研究“可信性革命”的关键，也是区分描述性研究和因果性研究的标志。

假定观测结果Yi由两部分因素决定：一是感兴趣的处理变量Di；二是除Di之外的所有其他因素ui。那么，可以用函数f表示三者之间的关系：

Rubin因果模型的核心是比较同一个研究个体（unit）在接受处理和不接受处理时的潜在结果差异，即对于个体i，原因变量Di对结果变量Y的因果效应是两种处理状态下潜在结果的比较，即i的个体因果效应为：

由此可见，在潜在结果框架下，因果效应的定义非常清晰，且不需要对分配机制进行任何内生性或外生性的假设，亦不需要对结果变量的函数形式进行任何假设。然而，因果推断面临的关键问题是同一个个体无法同时观测到Y0i和Y1i的值，对于观测个体，无法观测到的潜在结果，通常称为反事实结果（counterfactual outcome）。对单个个体而言，总有一个潜在结果是缺失的，所以无法得到个体水平上的因果效应的估计，Holland（1986）称之为“因果推断的基本问题”。另外，由于因果效应的定义仅依赖于潜在结果，研究者仅能观测到一个状态下的潜在结果，因此，如果仅有一个个体是无法得到个体的因果效应的。正因此，估计反事实结果成为因果推断的核心内容。