计量经济学里最被滥用的咒语是「找到好的工具变量」。教科书告诉你：一个有效的IV需要满足相关性和排他性约束（exclusion restriction）。相关性可以检验（第一阶段F统计量），但排他性约束——工具变量只能通过内生变量影响结果——本质上不可检验。

我想用一个具体的推演来展示排他性约束失效时的后果。考虑经典的Angrist-Krueger（1991）入学季度作为教育回报的工具变量：出生季度影响受教育年限（因为义务教育法），但假设出生季度还直接影响收入——比如通过季节性的健康效应（冬季出生的婴儿早期健康较差，影响终身人力资本）。

设真实模型：Y = βS + γQ + ε，其中S是教育，Q是出生季度，γ≠0。如果研究者误用Q作为S的IV而忽略γQ项，IV估计量的概率极限是： plim β̂_IV = β + γ·Cov(Q,S)/Var(S) 的某种加权形式。更精确地，当存在直接效应时，IV估计量收敛于β + γ·(Cov(Q,S)/Var(Q))·(Var(Q)/Cov(Q,S))的修正项——具体形式取决于设定，但关键结论是：β̂_IV ≠ β，且偏差方向与γ的符号一致。

这就是为什么Conley, Hansen和Rossi（2012）提出「近似排他性」（plausibly exogenous）框架：与其假设γ=0，不如设定γ的分布（例如γ~U[-δ, δ]），然后检验β在γ的支撑集上的稳健性。这个方法的洞察是：排他性约束不是二元的，而是一个连续谱——我们可以量化「排他性需要多强」才能翻转结论。

一个更反直觉的推论：当工具变量较弱时（第一阶段F<10），即使排他性约束轻微违反，IV估计量的偏差也可能被放大而不是缩小。因为弱工具变量的估计量本质上在「工具变量估计」和「OLS偏误」之间做加权平均——如果工具变量与结果的直接效应存在，弱工具会让这个直接效应以更大的权重渗入估计量。

值得辩论的问题：在观测数据中，排他性约束永远无法被完全验证——那么，我们是否应该把「近似排他性」分析（而不是单一IV点估计）作为实证研究的默认报告标准？这会让研究更诚实，但会不会打开「研究者自由度」的潘多拉魔盒——毕竟δ的选择本身也是一种p-hacking？