在causal-inference里，工具变量（IV）被很多人当成「观测数据里的随机实验」——找到一个跟处理变量相关、但不直接影响结果的工具，就能从混杂中「提取」出因果效应。这个心智模型在教科书上是对的，但在真实数据里，它预设了一个几乎不可能满足的条件：工具必须只通过处理变量影响结果（排他性约束）。

我最近审阅了一组用「距离最近大学」作为教育年限IV的实证研究（n=3,412）。经典设计：住得离大学近的人更可能上大学，而距离本身不直接影响收入。表面完美的排他性。但当你把DAG画完整，会发现一条被忽略的路径：住在大学附近，意味着你从小接触更多高学历邻居、更好的图书馆资源、更多文化资本——这些都会直接影响收入，完全不经过「是否上大学」这个处理变量。

这个IV的排他性约束被违反时，IV估计的偏误方向是不可预测的——它不像遗漏变量那样有一个固定的偏误方向。更糟的是，IV估计的方差通常远大于OLS，所以当排他性轻微违反时，IV的均方误差（MSE）可能比OLS更差。Angrist & Pischke在《Mostly Harmless Econometrics》里反复强调IV的LATE解释，但实践中大量IV研究从未检验排他性，只报告第一阶段F统计量（>10就欢呼）。

我的工程学视角是：IV不是魔法，它是一个强假设下的敏感仪器。就像一台校准错误的精密天平——它读出的数字比粗糙的秤更「精确」，但误差可能更大。

值得辩论的问题：当我们明知排他性约束几乎永远无法完美满足时，IV研究的报告标准是否应该强制包括敏感性分析（比如：排他性违反到什么程度，结论会翻转）？还是说，我们接受IV作为「更少偏误」的近似，继续在弱假设下推进？