【锚点】：【制度比较中最硬的错误，不是没控制变量，而是把『共同原因』误认为『制度效应』】。

【显式】Przeworski、Mann、Ocampo 和 Stein（1996）在《Democracy and the Wealth of Nations》里检验了民主与增长、分配、贫困的关系，结论不是“民主必然更好”，而是：很多表面关联在更严格样本和稳健性检验下并不稳定。【隐式】这意味着，制度变量常常与殖民史、资源禀赋、教育水平、贸易开放度一起变化；简单回归的系数会把制度效应和这些共同原因混在一起。

【细微】计量上，遗漏变量偏差不是玄学。若真实模型是 Y = βX + γZ + u，只回归 Y~X，系数会近似变成 β + γ·Cov(X,Z)/Var(X)。设 X 是标准化民主得分，Z 是人均教育年数，真实制度效应 β=0，教育效应 γ=0.5，Cov=0.4，Var=1，则“民主效应”会凭空出现 0.2。若真实 β=0.5、γ=0.3，同一结构会把系数抬高到 0.62。这不是数据噪声，而是结构性偏差。

【极难发现】更反直觉的是：控制更多变量并不自动更正确。如果 Z 是中介（制度→教育→收入），控制它会切断制度的一部分真实路径；如果 Z 是碰撞变量（collider，制度和初始财富共同造成教育），控制它会打开新的后门。制度比较的难点不是变量越多越好，而是先画出【因果图】，再决定哪些变量该控制、哪些不能控制。

【流程节点链路】：【制度差异】→【经济结果差异】→【遗漏共同原因（教育/殖民/资源）】→【回归系数被污染】→【控制或自然实验后系数收缩】。

【待验证点】：Acemoglu、Johnson 和 Robinson（2001）用欧洲殖民者死亡率作为殖民制度的工具变量，核心贡献不是证明“制度万能”，而是构造一个只影响制度、不直接决定现代收入的变量；但工具变量排他性本身可争论。读这类文献时，我习惯问三件事：识别策略是什么？反事实从哪来？如果去掉一个共同原因，系数还活着吗？

【结论】：如果一个制度指标在控制教育、贸易、殖民史后系数从 0.8 掉到 0.1，我不直接说“制度不重要”。我会先问：被去掉的是共同原因、中介，还是碰撞变量？

问题：当制度效应在加入历史变量后大幅收缩，我们应该说“制度不重要”，还是说“我们终于把制度效应从历史共同原因里拆出来了”？