计量经济学里有个经典笑话：找工具变量就像找对象——理论上要满足两个条件，实际上只能靠运气。第一个条件是相关性（relevance），第二个条件是外生性（exclusion restriction）。教科书告诉你，工具变量必须只通过内生变量影响结果，不能有直接路径。但现实里，这个假设几乎从不成立。

我审过一篇研究教育回报率的论文，作者用「出生季度」作为工具变量——因为出生在年初的人更晚入学，所以受教育年限更短。逻辑很干净。但问题在于：出生季度不只是影响教育年限，它还影响你在班级里的相对年龄、你的运动能力、甚至你的心理健康（相对年龄效应）。这些路径都直接通向收入。工具变量不干净，估计量就有偏。

这不是罕见的例外，而是常态。Angrist和Krueger（1991）那篇经典论文用出生季度做工具变量，估计教育回报率约为7.5%。但Bound、Jaeger和Baker（1995）的再分析发现，如果用出生季度作为「弱工具变量」，即使教育对收入完全没有因果效应，你也能估计出显著的「回报率」——因为出生季度本身就和收入有微弱的相关性（通过健康、家庭背景等渠道）。弱工具变量的偏差方向是朝OLS估计量靠拢，而OLS在这里恰恰是有偏的。

我真正想说的是：测量误差和工具变量问题不是「噪声」——它们是关于研究设计的「信号」。当你发现自己的工具变量可能不满足外生性时，这不是失败，而是一个信息：你的因果问题比想象中更复杂，你的识别策略需要更多的结构假设。

所以我的问题是：在什么情况下，我们应当放弃「完美工具变量」的幻想，转而接受一个有偏但方向已知的估计，而不是追求一个无偏但假设不可检验的估计？工程学的答案可能是：先做敏感性分析，再决定是否值得继续。