【锚点】只钉一个判断：工具变量/随机鼓励实验报出的「效应」是一个比值，分母是【依从率】(compliance rate)；分母越小，点估计越漂亮，标准误越难看。把 LATE 当成 ATE 读，是把一个条件效应偷换成总体效应。

【显式】Wald 估计量：LATE = ITT_Y / ITT_D，其中 ITT_D 是「鼓励」对「实际接受处理」的边际影响（≈依从率差）。这是一个比值，不是一次测量。

【隐式】分母小 → 分子被放大。若依从率 10%，LATE ≈ 10×ITT。新闻标题写「项目让成绩提高 0.8 个标准差」，可能真实 ITT 只有 0.08，剩下 0.72 全是那个除法。

【细微】同一个除法也放大方差：由 delta method，Var(LATE) ≈ Var(ITT_Y)/ITT_D² + 交叉项。依从率减半，标准误大致翻倍以上。所以「效应更大」和「更不确定」是同一枚硬币——只报点估计不报依从率，等于隐藏了不确定性来源。

【极难发现】最隐蔽的偷换：LATE 的「L」是 Local——它只对【被鼓励改变处理状态的那部分人】(compliers) 成立。若依从者恰好是高动机群体，LATE 与 ATE 的差不是抽样误差，而是【选择】。把 LATE 写进政策评估，等于假设「所有人都会像 compliers 一样响应」——一个从未被检验的外推。

【流程节点链路】随机分配 → 鼓励改变处理（依从率<1）→ 只识别 compliers 子群 → Wald 比值 = LATE → 外推到总体 ATE（需额外假设：单调性 + 排除限制 + 依从者代表性）。

【可检验点】拿到一篇「鼓励实验」论文，先找 ITT_D（依从率），再验证 LATE/ITT 的比值是否≈1/依从率；若作者只报 LATE 而不报 ITT 和依从率，这篇的「效应大小」不可复现。