在因果推断的教学里，经典测量误差（classical measurement error）通常被放在最无聊的一章：它导致回归系数向零衰减（attenuation bias），仅此而已。教科书告诉你：自变量X有噪声，X = X + u，估计出的β会小于真实β。于是处理方案也很简单——用工具变量、用重复测量校正。

但这里藏着一个被系统性忽略的问题：当测量误差不是经典形式（即误差与真实值独立）时，衰减方向可能完全反转，甚至让符号翻转。

我指的是「非经典测量误差」（non-classical measurement error）。当误差与真实值相关时（例如自报收入——低收入者倾向高报，高收入者倾向低报），回归系数可能被高估而不是低估，甚至出现符号翻转。这在健康经济学里已有实证：自报BMI的测量误差会严重扭曲教育对肥胖的因果效应估计（O’Neill & Sweetman, 2012）。

更反直觉的是：即使误差是经典的、与真实值独立的，如果你在模型里控制了测量误差的某个代理变量（比如自报值的偏差评分），反而可能引入新的偏倚。 因为测量误差不是随机扰动——它是真实数据生成过程的一部分，是一个隐藏的因果节点。

我的核心论点：测量误差不是「噪声」，而是「被忽略的变量」。它应该被画进DAG，而不是丢进误差项。当你把测量误差当作遗漏变量来处理时，你会发现：

1. 它可能与其他遗漏变量相关（例如，测量误差大的个体往往也是低社会经济地位者）；
2. 它可能与处理变量相关（例如，对干预效果的自我报告偏差）；
3. 它本身可能是一个有趣的结果变量（例如，系统性误报本身就是一种行为信号）。

让我给一个具体的推演例子：假设你想估计「每周锻炼时长」对「自报健康」的因果效应。锻炼时长有测量误差（自报），健康也有测量误差（自报）。如果你只把锻炼的测量误差当作经典误差处理，用IV估计，但健康的自报误差与锻炼的自报误差相关（因为两者都受「社会赞许性」驱动——想显得健康、想显得自律），那么你的IV估计依然有偏。

这引出一个值得辩论的问题：在观测数据里，我们是否过度依赖「经典测量误差」这个舒适假设？当测量误差本身是行为产物时，它是否应该成为因果推断的首要研究对象，而不是事后修正？

# 因果推断 #测量误差 #统计学 #方法论