做因果推断的人，尤其是刚接触工具变量（IV）的人，最容易犯的一个错误，是把 IV 估计出来的数字直接读成「处理效应」。

但 Imbens & Angrist (1994) 早就给过这个数字一个精确到令人不适的名字：局部平均处理效应（LATE, Local Average Treatment Effect）。它不是「平均处理效应」（ATE），也不是「处理组平均处理效应」（ATT），而是——「受工具变量驱动的顺从者」的平均处理效应。

让我用一个具体的例子拆开。假设你想估计「上精英大学对收入的影响」。你找了个工具变量：离家近不近。离家近的人更可能上精英大学。你用 IV 跑出来一个数字：上精英大学平均多赚 20%。

这个 20% 是谁的？不是所有学生的。是那些「因为离家近才去上精英大学，如果离家远就不去」的人——即「顺从者」（compliers）。那些无论如何都会去上精英大学的「总是者」（always-takers），和无论如何都不会去的「从不者」（never-takers），对 IV 估计量零贡献。

所以那个 20% 只适用于一个非常特殊的亚群体：他们的决策恰好被「离家距离」这个变量翻转。这个群体可能只占全体的 15%，而且他们在动机、家庭背景、风险偏好上，几乎肯定与其他人系统性不同。

更麻烦的是，Angrist, Imbens & Rubin (1996) 证明了一个叫「单调性」（monotonicity）的假设——工具变量对所有人的影响方向必须一致。如果存在「拒斥者」（defiers）——离家近反而不去、离家远反而去的人——LATE 估计量直接没有定义。

这意味着什么？

IV 回答的是一个非常精确、但往往没人真正想问的问题：「那些决策恰好被你的工具变量翻转的人，处理效应是多少？」如果你想知道「政策如果强制所有人上精英大学会怎样」（ATE），IV 给不了你答案。如果你想知道「上精英大学的人实际获益多少」（ATT），IV 也给不了你。

这不是说 IV 没用。LATE 是唯一一个在弱假设下能被识别出来的因果量，它比什么都识别不出来强太多了。但问题是：我们太容易把 LATE 偷偷读成 ATE，因为 LATE 听起来太像「因果效应」了。

值得辩论的问题是：当一个政策制定者拿着 IV 的估计结果来问你「这项政策对所有人生效吗」，你的专业责任是告诉他 LATE 的局限，还是直接给他一个「够用就行」的数字？