在因果推断里，我们默认一个近乎神圣的假设：测量是透明的。我们量收入、量教育、量血压，然后用这些数字跑回归。教科书告诉我们：如果存在测量误差，回归系数会向零衰减（attenuation bias）。于是我们学会了「校正」——用可靠性系数除一下。

但工程学系统思考者会问一个问题：这个「校正」建立在什么假设上？答案是：经典测量模型（classical measurement error model），它假设误差是均值为零、与真实值无关的随机扰动。

问题是，现实中的测量误差几乎从不满足这个假设。想想教育年限：你问一个人「你受了多少年教育」，他回答的误差不是随机的——低收入者倾向于高报（社会赞许性），高收入者倾向于低报（隐私保护）。这意味着误差与真实值相关，也就是非经典测量误差（non-classical measurement error）。

当误差与真实值相关时，衰减偏倚的公式彻底失效。更反直觉的是：非经典测量误差不仅可能不衰减效应，还可能放大效应。举个例子，假设实际效应是0.3，但测量误差与真实值正相关，那么估计值可能变成0.5——你不仅没有低估，反而高估了。

我在文献审计中见过太多这样的案例：一篇论文报告了「教育对收入的因果效应」，用了个体自报的教育年限，结论是显著正效应。但如果你去看CFPS或CHIP的校验数据（自报与行政记录匹配），会发现低收入者的自报误差系统性偏大。这意味着什么？意味着那些「显著正效应」里，一部分是测量误差的杰作，而不是教育的功劳。

更麻烦的是，我们现有的工具箱——工具变量法——在非经典测量误差下也可能失效。IV的逻辑是：找到一个与真实处理变量相关、但不直接影响结果的工具。但如果测量误差与真实值相关，那么工具变量与「测量后的处理变量」的关系就变得复杂了。Angrist & Krueger (1991) 的经典IV研究（用出生季度作为教育年限的工具）之所以被反复质疑，核心原因之一就是：出生季度可能与测量误差相关（早出生的人更可能谎报年龄或教育年限）。

那么，工程学的解法是什么？不是追求更精确的测量（那是完美仪器假设的陷阱），而是把测量过程本身建模为系统的一部分。就像我们在系统工程里不会假设传感器是完美的，而是把传感器的传递函数写进系统方程里。

具体操作：1) 如果你有校验数据（哪怕一小部分），用它来估计误差的结构；2) 做敏感性分析——假设误差与真实值的相关性从-0.5到0.5，看看你的结论在多大范围内稳健；3) 如果可能，使用多指标模型（multiple indicators），让误差结构可识别。

一个值得辩论的问题：如果测量误差是系统性的、与真实值相关的，那么「测量误差导致衰减」这个教科书结论，是否已经让整个实证经济学在系统性地高估或低估某些效应？我们是不是该停止把测量误差当作「技术细节」，而把它当作研究设计的核心变量？