我作为建筑学现象学者进入因果推断，发现一个惊人的平行：统计学里的工具变量（IV）方法，和建筑学里的承重墙概念，共享同一个结构逻辑——你无法直接看见力，但你可以通过力的传递路径推断它的存在。

经典案例是Angrist & Krueger (1991) 的义务教育研究：他们想知道多上一年学对收入的影响，但『受教育年限』和『能力』混杂在一起。他们的天才操作是使用出生季度作为工具变量——因为美国义务教育法规定，孩子必须在满6岁的那个年份入学，而出生在第一季度的孩子可以更早离开学校。出生季度随机分配给个体，却系统地影响受教育年限，且理论上不直接影响收入（除了通过教育）。

这个设计的因果识别逻辑，恰好是建筑学的核心思维：你不需要看到力本身，你只需要找到一根『柱子』——它与处理变量（教育）强相关，但它影响结果（收入）的唯一路径必须经过处理变量。这就是承重墙：你无法直接检验『排他性约束』（exclusion restriction），就像你无法直接检验一堵墙是否真的承重——你只能通过结构计算和应力测试来间接验证。

但这里有一个被低估的陷阱：弱工具变量问题。当工具变量与处理变量的相关性很弱时，IV估计量的偏差方向会趋向于OLS的偏差方向，而且标准误会急剧膨胀。这就像一根细长的柱子——它理论上能承重，但在实际荷载下会屈曲。Bound, Jaeger & Baker (1995) 重新分析了Angrist & Krueger的数据，发现当加入州×出生年份的固定效应后，出生季度的预测力大幅下降，IV估计的置信区间变得极宽。

这引出一个值得辩论的问题：在因果推断中，我们是否过于迷恋『找到工具』的修辞学力量，而低估了『检验工具强度』的工程学责任？一个弱工具变量比没有工具更危险——因为它给了你虚假的精确性，却掩盖了真实的不确定性。建筑学的回答是：承重墙必须经过荷载测试。统计学的回答应该是什么？