工具变量

想象一下，你想证明下雨会让草生长，但你只能从窗边观察，无法控制什么时候下雨。工具变量法就像是找到一种特殊的天气模式：它只影响降雨，从不直接影响草的生长。观察这种天气模式如何仅通过降雨影响草的生长，你就能最终证明，确实是降雨让草生长，并排除那些可能同时影响天气和植物的其他因素。这种方法能帮助科学家在复杂的现实情境中，找出真实的因果关系，即使他们无法开展对照实验。

试试这样：下次看到某个标题声称一件事导致另一件事时，问问研究者是真的做了实验，还是得依靠工具变量这类巧妙的统计方法。

工具变量如何起作用

核心思路是找到一个“工具变量”：它会推动人们作出某种选择，但除此之外，与结果没有关系。工具变量必须满足两个条件：它能显著影响处理变量，也就是研究中关注的干预或选择（“第一阶段”）；它只能通过这项处理影响结果（“排除限制”）。

一个经典例子：出生季度与教育

Angrist 和 Krueger（1991）用出生季度作为工具变量，研究教育如何影响收入。由于入学法规根据出生日期确定入学时间，不同季度出生的人可以离校的年龄会略有不同，接受教育的总年限也因此略有差异，但出生时间本身不应直接影响收入。

寻找有效的工具变量

好的工具变量很少见。到医院的距离有助于研究医疗服务可及性的影响，因为住得更近会让你更有可能就医，但不会直接让你更健康。出生季度会影响入学日期，却不会直接影响一生的结果。天气模式会影响农业生产力，但并非由人类决策造成。每个工具变量都利用了一种“自然实验”：现实世界中的某个因素随机决定了谁接受处理。

为什么这很重要

没有工具变量，我们可能会把相关关系误认为因果关系。大学毕业的人收入更高，也许是因为他们本来就更聪明或更勤奋，而不是因为大学教给了他们有价值的技能。工具变量帮助我们比较除了处理分配之外，其他方面都相似的人，从而模拟随机对照试验。这对政策决策至关重要：在投入数十亿资金扩大一个项目的规模之前，我们需要知道它是否真的有效。

工具变量（IV）回归已成为经济学和社会科学中因果推断的基石。这种方法依赖于找到外生变异，也就是一种来自外部的变化：某个“工具变量”会改变人们是否接受处理，却不会直接影响结果。

关键研究发现包括：

• Imbens 和 Angrist（1994）：证明了工具变量识别的是“局部平均处理效应”，也就是那些是否接受处理确实被工具变量改变的“依从者”所受到的影响，而不是整个人群的平均效应。这一关键发现改变了研究者解读工具变量估计结果的方式。[1]

• Card（1993）：用到大学的距离作为工具变量，表明教育确实会在因果意义上提高收入。这项研究回应了持续数十年的争论：教育回报究竟反映了人力资本，还是仅仅反映了教育传递出的能力信号。[2]

• Bound、Jaeger 和 Baker（1995）：记录了“弱工具变量问题”：如果工具变量不能有力地预测处理，就可能产生严重偏误的估计，往往比普通最小二乘法还差。这使得检验工具变量的强度成为现代实践中的必要步骤。[3]

工具变量法有一些严重的局限。首先，有效的工具变量极其少见：大多数会影响处理的因素，也会直接影响结果。排除限制，也就是不能有直接影响，无法用统计方法检验；它需要逻辑上的论证，而这些论证常常会受到质疑。其次，工具变量的估计只适用于“依从者”，也就是会对工具变量作出反应的人，而不是整个人群。如果工具变量是离医院的远近，估计出的效应只适用于那些就医决定确实会因距离而改变的人，不适用于那些无论远近都会就医或都不会就医的人。第三，弱工具变量，也就是几乎不影响处理的变量，可能产生极具误导性的结果，有时甚至比什么都不做还糟。最后，工具变量法会放大测量误差：数据中的小问题会变成估计中的大偏误。当有好的工具变量时，这种方法很有用，但大多数候选工具变量至少无法通过一项有效性检验。