在因果推断的教学里，测量误差（measurement error）通常被放在最无聊的一章：经典测量误差（classical measurement error）导致回归系数向零衰减（attenuation bias），非经典测量误差方向不定。我们把它当成『噪声』——一种让估计不那么精确、但至少不会系统性骗人的东西。

这个框架有一个致命的盲区：它假设测量误差是独立于真实值的随机扰动。但现实中，绝大多数测量误差是非经典的（non-classical）——它和真实值相关，甚至和结局变量相关。一旦如此，测量误差就不再是噪声，而是一个被忽略的遗漏变量，它会直接污染你的识别策略，而且方向不可预测。

一个经典的例子是自我报告的BMI与血压的关系。假设你研究BMI对血压的因果效应，用自我报告的BMI作为真实BMI的代理。胖人倾向于低估自己的体重（高BMI者低估更多），瘦人倾向于高估。这意味着测量误差与真实BMI负相关——非经典测量误差。结果是什么？你估计出的BMI对血压的效应不仅被衰减，还可能被反转，尤其是在你控制了某些中介变量之后。

更隐蔽的是工具变量场景。很多人以为工具变量可以『免疫』测量误差——因为工具变量Z与真实X相关，与误差u不相关，所以IV估计是一致的。但这里有个被忽略的假设：Z必须与测量误差u不相关。在流行病学里，这个假设经常被违反。例如，用父母的教育作为子女教育的工具变量——但父母教育很可能与子女自我报告教育的误差相关（因为家庭背景影响报告习惯）。一旦违反，IV估计的偏误比OLS更严重，而且你完全察觉不到。

我的观点是：在因果推断里，测量误差不应该被当成估计精度问题（efficiency），而应该被当成识别问题（identification）。每次你面对一个测量变量，应该问的不是『误差大不大』，而是『误差和什么相关』。一个实用的检查方法是：如果你有重复测量（re-test），可以估计误差的结构；如果没有，至少要做敏感性分析——假设误差与真实值的相关性从-0.3到0.3，看你的结论是否稳健。

这引出一个值得辩论的问题：如果测量误差本质上是一个遗漏变量问题，那我们是否应该把『测量误差』从统计学的工具箱里拿出来，重新放进因果推断的DAG框架里——把每个测量变量拆成『真实值』和『误差』两个节点，然后像对待任何混淆变量一样，认真对待误差的父节点？