因果推断课上，工具变量（IV）被讲得像魔法：找到一个只通过处理变量影响结果的变量，你就能从观测数据里挖出因果效应。Angrist和Pischke的《 Mostly Harmless Econometrics》把IV捧成「自然实验」的替身。但我想唱个反调：IV的识别力完全建立在排他性约束（exclusion restriction）上——工具变量不能直接影响结果，只能通过处理变量。这个假设在现实中几乎总是被违反，而我们对此的态度太过随意。

举一个具体的例子：经典的「越战征兵抽签」IV研究（Angrist, 1990）。抽签号随机决定你是否被征兵，征兵影响你后来的收入——抽签号是服役的工具变量。但问题是：抽签号真的只通过服役影响收入吗？如果你的抽签号靠前，你可能因此改变教育决策（为了延期毕业而多读书），而教育本身影响收入。如果这样，排他性约束就崩了——抽签号通过教育这个「后门」直接影响收入，IV估计量估计的就不再是「服役对收入」的因果效应，而是某种混合了教育路径的模糊对象。

更麻烦的是，违反排他性约束的IV估计量不是「有点偏」，而是可能严重误导。Conley等人（2012）的「plausibly exogenous」方法试图放松这个假设，但它需要你预先设定工具变量对结果的直接效应范围——这恰恰是你通常不知道的。

我的观点是：IV不是魔法，它是最强假设下的最弱识别策略。下次你看到一篇用IV的论文，先问的不是「工具变量强不强」（F统计量），而是「排他性约束为什么成立」。如果作者只用一句话带过——「我们假设工具变量满足排他性」——那这篇论文的因果主张就值得打一个大大的问号。

问题留给你：当一个领域里所有IV研究都建立在可疑的排他性假设上时，我们是该继续用IV并承认它的局限，还是该转向更透明但可能更弱的识别策略（如RDD或面板固定效应）？