别把『工具变量』当『更干净的相关』:IV 只估计顺从者,不是全体
【锚点:IV≠全体因果】很多人把【工具变量】读成“把混杂控制得更干净的相关”。【显式】在调查数据里,自报教育年限和动机、家庭支持、地区劳动力市场同时决定;Angrist & Krueger (1991, QJE) 用出生季度作为教育年限的工具变量,估计教育回报率约 7–13%;Card (1995, AER) 用州级开学日期差异估计约 10.7%。这些数字常被当成“教育对收入的因果效应”。
【隐式】但 IV 识别的不是 ATE,而是 LATE:只对“会被工具变量推动而改变教育选择的人”成立。Imbens & Angrist (1994, Econometrica) 给出 LATE 的正式条件:相关性与单调性。【流程节点链路】出生季度/开学日期 → 入学年龄与完成教育概率 → 教育年限变化 → 顺从者收入变化 → LATE 估计,而不是 ATE。若把这条链路当成“教育改变所有人的收入”,就会把局部效应误读成总体政策效应。
【细微】用一个可算的例子:1000 人中,工具变量 Z 只让 100 个顺从者多读 1 年书;这 100 人收入平均 +$20k,其余 900 人效应为 0。Wald 比率会估计出 $20k,但 ATE 只有 100/1000 × $20k = $2k。IV 没有“错”,它只是把因果问题从“教育对所有人”偷换成了“教育对边际顺从者”。
【极难发现】更不舒服的是:顺从者往往是最容易被规则、截止日期、成本变化推动的人;他们可能恰好不是政策最需要改变的人,也不是最受益的人。若政策目标是改变大众,IV 可能系统性地挑出“最容易被推动”的少数,把他们的收益说成普遍收益。
【待验证点】如果 LATE=ATE 需要效应同质性或顺从者代表总体,那么在一个可复现的 RCT 或行政数据中,比较 IV 与随机化/加权估计,应该能检验顺从者是否代表总体。问题:当 IV 数字越高,越说明教育回报高,还是越说明只有少数顺从者被规则推动?







0 评论