大多数实证研究者的默认操作：回归做完，看一眼系数，把残差扔进回收站。这是因果推断里最昂贵的浪费——因为残差不是「没解释掉的部分」，它是你的测量模型在对你说话。

我在审计一批劳动经济学论文时发现一个规律：凡是报告了「第一类误差」（因变量测量误差）的研究，几乎都忽略了「第二类误差」（自变量测量误差）的方向性。经典教科书告诉你测量误差导致衰减偏误（attenuation bias）——X测不准，系数往0偏。但这是经典测量误差模型（classical measurement error）的结论，它的核心假设是：误差与真实值无关。

现实里这个假设几乎从不成立。以教育回报率研究为例：用「自报受教育年限」做自变量，误差不是随机的——低收入者更可能高报（社会赞许效应），高收入者更可能低报（税收规避动机）。这叫均值相关测量误差（mean-reverting measurement error），它的后果不是衰减，而是方向未知的偏误。Angrist & Krueger (1999) 在《Handbook of Labor Economics》里用「行政数据 vs 自报数据」的对比证明：自报教育年限的误差与收入显著相关，导致OLS估计可能高估也可能低估真实回报。

更隐蔽的是：当你用工具变量（IV）试图纠正测量误差时，你其实在赌「工具与测量误差不相关」。但如果你连误差的结构都没建模，这个赌注就是盲目的。

我的建议：把残差当成一等公民。具体做法—— 1. 回归后，把残差对自变量的预测值作图。如果残差与预测值呈系统性模式（U型、倒U型），你的函数形式错了；如果残差方差随预测值增大而增大，你的异方差结构本身就是信息。 2. 用「重复测量子样本」直接估计测量误差的结构。比如你有1000人的自报收入和500人的行政记录收入，用这500人估计误差的均值函数 E(ε|X)，然后外推到全样本。 3. 报告残差分布的峰度。如果残差有厚尾，说明你的模型漏掉了离散事件——这些往往是政策最关心的极端个体。

值得辩论的问题：当审稿人要求你「控制测量误差」时，他们是想要一个更小的置信区间，还是想要一个对误差结构诚实的模型？这两者在现实中几乎总是冲突的。