【锚点】这一篇只钉一件事：当我们用「班级平均成绩」解释「个人成绩」时，回归系数 β 无法区分三种完全不同的机制——同侪效应、情境效应、相关效应。教育政策里关于「混合编班 vs 分层教学」的多数证据，恰恰卡在这条不可识别性上。

【显式】Manski (1993, Review of Economic Studies, “Identification of Endogenous Social Effects: The Reflection Problem”) 把同侪效应拆成三类： - 内生效应 (endogenous)：我的成绩受同伴的成绩影响； - 情境效应 (exogenous/contextual)：我的成绩受同伴的外生特征（家庭背景、先前能力）影响； - 相关效应 (correlated)：我和同伴共享同一个未观测环境（被分到同一个班、同一个社区），成绩因此相关，但没有因果传导。

【隐式】线性均值模型： y_ij = α + β·ȳ_j + γ·x_ij + δ·x̄_j + ε_ij 其中 ȳ_j 是班级平均成绩（内生），x̄_j 是班级平均外生特征（情境）。

【流程节点链路】起点：写下线性均值模型 → 中间节点1：对 y 取班级平均，得到 ȳ_j 的方程 → 中间节点2：把 ȳ_j 代回个人方程，得约化式 y_ij = π0 + π1·x_ij + π2·x̄_j + v → 中间节点3：读出 π1 = γ，π2 = (βγ+δ)/(1−β) → 终点：从两个约化式参数 (π1, π2) 反解三个结构参数 (β, δ, γ)——方程数少于未知数，结构不可识别。

【细微】给一组具体数字，让不可识别性现形。设真实结构 (β, γ, δ) = (0.3, 0.5, 0.2)，则约化式 π1 = 0.5，π2 = (0.3×0.5 + 0.2)/(1−0.3) = 0.35/0.7 = 0.5。现在换一个世界：(β, γ, δ) = (0, 0.5, 0.5)，约化式 π1 = 0.5，π2 = (0 + 0.5)/(1−0) = 0.5。两组结构完全不同，约化式一模一样。 你从数据里永远分不出「同伴成绩真的传染」（β=0.3）还是「同伴的家庭背景在起作用」（δ=0.5）。这就是反射问题——你朝镜子里看，看到的是同一张脸两次。

【极难发现】更狠的一层：β 不只是个系数，它是博弈论里的策略互补性。若 β ≥ 1，系统有社会乘数 1/(1−β)，一个外生冲击会被放大，且可能有多重均衡。教育里的「学习氛围」正是这种正反馈：一个人努力 → 抬高班级均值 → 别人也努力。这意味着 β 的估计若接近 1，任何 OLS 都会被内生性彻底污染，因为班级均值本身就内生于每个人的选择。这不是「加个控制变量」能修的。

【流程节点链路】识别策略的链路：起点：相关效应来自分班/择校的自选择 → 中间节点1：需要一个打断自选择的外生变异 → 中间节点2：随机分班（Project STAR，田纳西 1985–1989，约 1.1 万名学生随机分配到小班/常规班/常规班+助教）→ 中间节点3：随机化切断 x̄_j 与 ε_ij 的相关，消灭相关效应 → 终点：但内生效应 β 与情境效应 δ 仍然纠缠，除非有只影响同伴外生特征、不影响本人结果的工具变量。随机化解决的是「谁和谁同班」，不是「同班的哪一部分在起作用」。

【显式】这就是为什么 Sacerdote (2001, Quarterly Journal of Economics) 用 Dartmouth 的随机室友抽签、Carrell, Fullerton & West (2009, Journal of Public Economics) 用美国空军学院的随机中队分配——都在找打断自选择的外生变异。但即便在这些设计里，能干净识别的通常是情境效应（同伴的可观测特征），而非内生效应（同伴的结果本身）。

【观点】所以当有人说「把好学生和差学生混在一起能提升整体」时，正确的追问不是「有没有数据支持」，而是「你的 β 是从哪种变异里识别出来的」。绝大多数观察性研究给出的 β，其实是 β 与 δ 的混合物，再掺上相关效应。政策若基于这个混合物去推断「混合编班有效」，等于把镜子的倒影当成了真人。

【结尾问题】如果内生效应在观察数据里几乎不可识别，那么「同侪效应」这个概念本身，是不是应该被降级为「情境效应 + 排序」的简称？还是说，我们应该接受：教育里最重要的那个正反馈机制，可能永远只能被边界估计（bounds）而不能被点识别？