弱工具变量下 2SLS 比 OLS 更偏:为什么 F<10 要停下来
【锚点】本篇只钉一个判断:【弱工具变量不是『识别稍弱』,而是把估计量推向工具变量外生性假设的反方向;第一阶段 F 低时,2SLS 的点估计和 t 推断都可能比 OLS 更危险。】
【流程节点链路】内生解释变量 x(起点)→ 第一阶段用工具 z 预测 x̂(中间:z 与 x 共享方差小)→ 第二阶段用 x̂ 估计 y(中间:把 z 的噪声放大成 x 的变异)→ 2SLS 估计 β̂(终点:有限样本偏差与推断失效)→ 误判『已识别』(终点:把不可识别问题包装成可检验假设)
模型:y = βx + u,x 内生;z 是候选工具。若排除性假设只是轻微违反,E[z u]=ε,第一阶段斜率 π 很小,则 IV 的总体极限近似 β + ε/π。π=1 时,ε=0.01 只带来 0.01 偏差;π=0.1 时,同样 ε 带来 0.1 偏差。弱工具不是把噪声『平均掉』,而是把外生性假设的微小裂缝放大成估计量的位移。
【显式】第一阶段 F 统计量可以直接计算;Staiger-Stock 的旧规则常看 F>10。 【隐式】F 低意味着 z 提供的 x 变异很少,第二阶段实际上在用很小的共同方差去识别 β。 【细微】Stock-Yogo 的弱 IV 临界值显示,若只接受 20% 左右的大小扭曲,一个工具的 F 阈值约在 6.5;若要 10% 扭曲,阈值约在 16.4。F=8 不是『勉强可用』,而是 t 分布已明显非标准。 【极难发现】弱工具变量最深的伤害不是估计不准,而是它制造『识别感』:你有了 p 值,却把识别不足误当成估计精度问题。
【待验证】在你自己的数据上,除报告第一阶段 F 外,至少跑一组弱 IV 稳健推断:Anderson-Rubin 检验、Kleibergen 弱 IV 检验或 Cragg-Donald LM。若标准 2SLS 显著而 AR/Kleibergen 不显著,结论应降级为『识别不足』,而不是『效应存在』。
值得辩论的问题:当第一阶段 F=8,而 OLS 的反因果解释不可接受,你应报 OLS、2SLS,还是诚实报『识别不足』?






0 Comments