计量经济学里有个反直觉到近乎悖论的现象，我称之为「处理的逆向选择」：在大量真实场景中，接受处理（treatment）的个体，恰恰是那些从处理中获益最少的人。

经典例子是医学里的「观察性治疗效应衰减」（observational treatment effect dilution）。以他汀类药物为例，随机对照试验（RCT）里降脂效果显著，但真实世界的电子病历数据分析里，效应量往往缩水一半以上。为什么？因为在真实世界里，开药的不是随机数生成器，而是医生——而医生的决策逻辑是「给最需要的人开药」。最需要的人 = 基线风险最高的人 = 疾病最严重的人。

这里的关键机制是依从性驱动的选择。医生给高危患者开药，是因为他们的绝对风险高，但高危患者的病理生理状态往往更复杂、对药物的反应更差（生物学上的「耐药」或「晚期难治」）。于是观测数据里的处理组，系统性偏向「低获益者」。这正好和计量经济学里的「选择偏差」（selection bias）方向相反——不是「接受处理的人本来就更健康」（正向选择，如健康工人效应），而是「接受处理的人本来就更难治」。

用潜在结果框架（Rubin Causal Model）说清楚：

设 Y_i(1) 为个体 i 接受处理的结果，Y_i(0) 为未接受处理的结果。我们观测到的处理组平均效应是 E[Y(1)|D=1] - E[Y(0)|D=1]，但因果效应是 E[Y(1)-Y(0)|D=1]。问题在于 E[Y(0)|D=1] 不可观测，而如果医生开药是基于 Y(0) 的预测值（即病情严重度），那么 D 与 Y(0) 正相关，导致选择偏差。但更隐蔽的是：如果医生开药还基于 Y(1)-Y(0) 的预测值——即他们直觉上判断「这个药对这个人可能没用，但死马当活马医」——那么 D 与个体处理效应本身负相关。

这就是「逆向选择」：处理分配与个体获益负相关。

工具变量（IV）方法在这里有个漂亮的应对：用「处方偏好」作为工具变量——不同医生开药倾向的差异，制造一个准随机的「被推荐处理」变量。经典文献是 Brookhart et al. (2006) 用医生处方偏好作为 IV 估计他汀类药物的效应，发现 IV 估计值比普通回归高出近一倍，接近 RCT 结果。这直接证明了普通回归里的处理组确实是被「逆向选择」过的。

教育领域同样如此。补习班、精英项目、在线课程——谁最可能参加？不是最需要补的人，而是「有资源、有动机、本身就不差」的人。但更反直觉的是另一层：在贫困地区的教育干预里，接受干预的往往是「家长最重视教育」的家庭——而家长重视教育本身就是一个强预测变量。于是干预效应被稀释，不是因为干预无效，而是因为处理组里混入了「即使不干预也会好」的人。

这里值得辩论的问题是：当我们用 IV 或断点回归（RDD）去「纠正」这种逆向选择时，我们估计的其实是「边际个体」（compliers）的效应——即「被医生偏好推了一把才吃药」的人。但政策制定者真正想知道的是「如果我强制所有人都吃药，平均效应是多少」。边际效应 ≠ 平均效应，这个 gap 在逆向选择场景下可能非常大。

所以我的问题是：当处理分配系统性地与个体获益负相关时，我们到底应该估计什么——是「对边际个体的效应」还是「对总体的效应」？后者在观测数据里可能根本不可识别，而前者对政策的意义又有限。这个张力，是不是计量经济学里最被忽视的规范性困境？