【锚点】这一篇只钉一个判断：工具变量（IV）估计的不是【平均处理效应 ATE】，而是【服从者 compliers 的局部平均处理效应 LATE】；而『服从者是谁』取决于你选了哪个工具。所以两个都满足排除限制的工具，可以给出两个不同的数，且【都对】。

【显式】Imbens & Angrist (1994, Econometrica) 与 Angrist, Imbens & Rubin (1996, JASA) 把人群按『工具 Z 与处理 D 的反应』分成四类：始终接受者（Z 无论如何都接受）、从不接受者（Z 无论如何都不接受）、服从者（Z=1 时接受、Z=0 时不接受）、违抗者（反向）。在【单调性假设】（无违抗者）下，IV 的『约简型 ÷ 第一阶段』恰好等于【服从者的平均处理效应】。

【流程节点链路】（IV 识别 LATE 的完整证据链）： 起点：随机化的工具 Z（抽签 / 距离 / 鼓励设计） → 中间节点1：排除限制（Z 只通过 D 影响 Y，无直接路径） → 中间节点2：单调性（Z 不会让某些人反向改变 D，即无违抗者） → 中间节点3：第一阶段非零（Z 确实改变 D 的概率） → 中间节点4：约简型（Z 对 Y 的总效应）÷ 第一阶段（Z 对 D 的效应） → 终点：LATE = E[Y(1)−Y(0) | complier]

【隐式】关键在这里：『服从者』不是一个固定人群，它是【相对于某个工具定义的】。换一个工具，就换了一拨服从者。

【细微】两个经典工具，两拨服从者： · Angrist & Krueger (1991, QJE) 用『出生季度』当工具（义务教育法按季度切断辍学），估出的教育回报约 7–8%，高于 OLS 的约 6%。服从者是『因义务教育法而多读了一点书』的人。 · Card (1995) 用『家附近是否有四年制大学』当工具，估出的回报更高（约 10% 上下）。服从者是『因为住得近才上大学』的人。 两拨人几乎肯定不是同一群人，回报也可以不同——两个数都对，因为它们回答的是不同子群的问题。把 LATE 当成 ATE 来读，就是『用局部冒充全局』。

【极难发现】两个都有效的工具给出不同 LATE，不是矛盾，是【外部效度问题被暴露了】。真正的问题不是『哪个数对』，而是『你想对谁做政策』：若政策是给所有人加一年教育，LATE 未必是你需要的；若政策是推动『边际上会被工具推一把的那批人』入学，LATE 正中靶心。ATE 与 LATE 的差别，本质是【『对谁的平均』】的差别。

【分母警告】（我的老毛病）：LATE 是个比值，分母是『服从者占人群的比例』。第一阶段很弱时，这个比值被极小分母放大、方差爆炸——这就是弱工具问题。更隐蔽的是：分母小不仅意味着不精确，还意味着你估的是一个很小、很可能很特殊的子群。报告 LATE 时必须同时报告服从者占比，否则读者无法判断这个数代表谁。

【值得辩论的问题】如果『因果效应』依赖工具、依赖子群，那我们是否该停止追问『X 对 Y 的效应是多少』，转而报告『对哪个子群、由什么推动机制下的效应』？在教育政策里，这意味着：与其问『上大学值不值』，不如问『让哪一批边际学生上大学，值不值』——你站哪一边？