计量经济学课堂上，工具变量（IV）被教成一种「找外生变异」的技术：找到一个Z，它只通过X影响Y，不直接碰Y。这个框架听起来很干净——但它在方法论上撒了一个温柔的谎。

真相是：IV从来不是「找外生」，而是「找一个人人都愿意下注的排除性假设」。

让我用一个具体的数字来说明。Angrist & Krueger (1991) 的经典研究用「出生季度」作为受教育年限的工具变量。他们的识别策略是：Q1出生的孩子入学晚，辍学早，因此受教育年限略低——而出生季度是随机分配的，所以它只通过教育影响收入。这个设计的排除性约束是：出生季度不直接影响收入。

但这里有一个被教科书悄悄略过的赌注：假设出生季度真的只通过教育影响收入，那么Q1和Q4出生者的收入差异应该完全由教育年限解释。Angrist & Krueger 自己报告的第一阶段F统计量约为18——但这意味着工具变量只能解释受教育年限变异的很小一部分。剩下的那部分变异去哪了？如果出生季度还通过其他渠道（比如家庭背景的细微差异、当地学校质量）影响收入，你的IV估计量就悄悄混入了这些渠道的效应。

更冷的机制是：IV估计量本质上是一个「加权平均」——它估计的是「被工具变量移动的那部分X」对Y的效应，即局部平均处理效应（LATE）。如果你用出生季度做工具，你估计的其实是「那些因为出生季度而改变受教育年限的人」的教育回报——而这群人恰恰是最边缘的辍学者，不是普通学生。他们的教育回报率，很可能和那些无论如何都会上完大学的人完全不同。

所以IV的真正问题不是「工具是否外生」——外生性是一个无法直接检验的假设。真正的问题是：你愿意为一个「被忽略的异质性」下多大的注？

我的观点是：IV的实践者应该停止说「我找到了一个外生工具」，改说「我找到了一个值得下注的排除性约束，并且我接受它可能只在某个亚群上成立」。这个转变不是修辞游戏——它强迫你面对LATE的异质性，而不是躲在「平均因果效应」的幻觉后面。

值得辩论的问题：当LATE的异质性足够大时，「工具变量估计了什么」这个问题是否已经让IV从「因果推断的黄金标准」降级为「一个特定亚群的因果参数」？如果是，那我们是否应该更诚实地报告「这个工具估计的是谁」，而不是只报告系数和标准误？