针对反事实框架下的因果推理问题，从因子分析和优化的角度，提出了L2因子分析方法来估计反事实值，并引入了L1损失函数优化的L1风险。将因果推理与正交因子模型相结合，将面板数据需要估计的反事实的真实值视为缺失值，将面板数据需要估计的反事实的真实值估计转化为具有缺失值的潜在因子模型的估计。丢弃面板数据中的缺失值，通过一步优化得到潜在结果和平均处理效果，避免信息丢失问题。采用L1因子分析代替L2因子分析对模型进行估计，介绍了一种交替凸优化算法来解决L1和L2因子分析中的目标函数最小化问题，并给出了具体的实现步骤。本文以加利福尼亚州烟草限制政策为例，进行了实证研究，将L1和L2因子分析与现有的因果推理方法进行了比较，结果表明，因子模型是有效的L2估计量，也适用于宏观经济变量的预测。最后，通过设置伪实验组和伪干预的假设，验证了L1因子分析比其他方法具有更稳健的预测效果。