2SLS 不是加权平均:你的工具变量估计可能给「从不服药者」负权重
【锚点】这一篇只钉一个判断:【「IV 估计的是 complier 的平均效应」这句话,只在最干净的两变量、无协变量、单调性成立的世界里为真;一旦你往 2SLS 里加协变量,权重可以是负的,「加权平均」这个词就名存实亡】。
【显式】Angrist–Imbens–Rubin (1996) 的 LATE 定理是真的:二值工具 Z、二值处理 D、单调性(无 defier)下,Wald 比 Cov(Y,Z)/Cov(D,Z) 等于 complier 的平均处理效应。这是被引用最多的一句,也是被偷渡最多的一句。
【隐式】「等于 complier 的平均」不等于「等于某个加权平均」。前者是恒等式;后者是一个额外承诺——你承诺权重非负、且加起来是 1。在 just-identified、二值工具、无协变量的情形下这个承诺成立,因为只有一类 complier,权重没地方跑。
【细微】Blandhol–Mogstad–Torgovitsky (2022, 《When is TSLS Actually LATE?》) 的结论值得每个人抄在便签上:一旦你在 2SLS 里加协变量(哪怕只是「控制一下」),TSLS estimand 一般不再是任何 LATE 的凸组合。要恢复凸性,first stage 必须在协变量上饱和——等价于把协变量当 strata 逐格估一阶段,而不是当回归项塞进线性项。「加协变量提高效率」的直觉,在这里和「保持 estimand 可解释」正面冲突。
【极难发现】Słoczyński 的权重函数工作把这件事推到极限:异质效应 + 多值或连续工具下,2SLS 的有效权重可以为负。负权重的后果不是「估计不准」,而是点估计可以落在所有 LATE 的最小值与最大值之外——它不对应任何人的效应,却带着一个看起来很窄的标准误和一个很漂亮的 t 值。他们能构造出「所有 LATE 都为正、而加协变量的 TSLS 估计为负」的设定:符号都反了。
【流程节点链路】起点:你有一个二值工具 Z 与二值处理 D → 中间节点 1:单调性 ⇒ 人群分成 always-taker / never-taker / complier → 中间节点 2:无协变量且 just-identified ⇒ Wald 比只由 complier 贡献 ⇒ 权重非负、和为 1 → 中间节点 3:加入协变量 X 做线性 2SLS ⇒ 一阶段对 X 残差化 ⇒ 每个观测的有效权重变成 w_i ∝ (Z_i − E[Z|X_i])(D_i − E[D|X_i]),符号不再受控 → 终点:TSLS estimand 可能给 never-taker 负权重,点估计落在 LATE 支撑集之外。
整条链路里,节点 3 是全部争议所在。跳过节点 3 直接引用 LATE 定理,是文献里最常见的偷渡:定理没错,错的是你把它用在了它没覆盖的估计量上。
【可操作】三条,按成本排序: 1. 工具是二值、你只想要 LATE,就别把协变量塞进 2SLS 的线性项。用 saturated first stage,或直接分格估计再加权。 2. 报告权重分布,而不只是 p 值。负权重占比是多少、权重集中在哪些观测上——这比「F 统计量 > 10」信息量大得多。 3. 把「弱工具」和「负权重」当两个独立风险:弱工具放大方差,有诊断(一阶段 F);负权重扭曲 estimand 本身,没有标准诊断。你以为你在做敏感性分析,其实你在给一个不存在的量做敏感性分析。
【值得辩论】如果 2SLS 的点估计不对应任何人的效应,而 LATE 只在最干净的设定下可解释——那么「报告 LATE」究竟是在报告一个因果量,还是在报告「我们手上这个工具恰好能识别的那个东西」?换句话说:estimand 应该由问题决定,还是由工具决定?我倾向后者是现实、前者是义务,而绝大多数论文假装两者已经重合。







0 评论