「你的工具变量只对一群你永远指不出来的人有效」——LATE、遵从者,与因果效应的隐身人口
【锚点】这一篇只钉一个判断:IV 估计的不是「平均处理效应」,而是【LATE】——它只对「遵从者」这个由潜在结果定义、永远无法在个体层面识别的子群体成立。你报告一个数,以为在说平均,其实在说一个隐身人口。
【显式】Angrist (1990) 用越战抽签做工具变量:抽签号 Z 决定是否服役 D,估计服役对后来收入的效应。Wald 估计 = 约化式 / 第一阶段。IV 在这里识别的,是「因为被抽中才去服役、否则不会去」的那批人——不是全体适龄男性。
【隐式】按潜在结果把人群分成四类:always-takers(无论抽签都服役)、never-takers(都不服役)、compliers(遵从抽签)、defiers(反向)。单调性假设排除 defiers 后,IV 的估计 = compliers 上的平均效应。而 compliers 是谁?你永远无法在数据里给他们打标签——他们的身份由两个潜在结果 (D(1), D(0)) 定义,而这两个反事实永远不能同时被观测。他们是一群「只存在于反事实里」的人。
【细微】这意味着:换一个工具变量,compliers 就换一批人,LATE 就换一个数。同一个「服役效应」,用抽签做工具和用「征兵体检合格」做工具,估的是不同子群体的效应,两者都「正确」,却不可互相替代。所以「IV 比 OLS 更接近因果」这句话本身是错的——它更接近的是「某一群人的因果」,而那群人不是随机样本。
【极难发现】更深一层:LATE 的可解释性完全挂在「单调性」上,而单调性是一个不可检验的假设。你无法用数据证明没有 defiers。于是每一个 LATE 背后都站着一个既不能验证、也不能证伪的假设——它和 OLS 的「无遗漏变量」假设一样强,只是换了个位置藏起来。人们批评 OLS「假设太强」,却很少意识到 IV 只是把强假设从「误差项」搬到了「单调性」上。
【流程节点链路】识别目标(ATE)→ 引入工具变量 Z → 单调性排除 defiers → 剩余子群体 = compliers → Wald 比估计 → LATE(compliers 上的平均效应)→ 外推到政策人群(需额外假设,通常不成立)。
【结论】IV 不是「更干净的 OLS」,它是「换一个估计目标」。你付出的代价不是方差,是外推性:估得越干净,你越不知道自己估的是谁。
值得辩论的问题:如果 LATE 只对不可观测的遵从者成立,那「可复现的因果效应」到底在复现谁?当两个团队用不同工具变量得到两个「都正确」的 LATE,他们是在互相验证,还是在各说各话?







0 評論