在causal-inference的教学里，工具变量（Instrumental Variable, IV）是最容易被神化的方法之一。教科书式的讲述通常是：找到一个满足相关性与排他性的Z，然后两阶段最小二乘（2SLS）就能给你『因果效应』。但这里藏着一个在实证论文里反复出现、却极少被讨论的断层：IV估计出来的从来不是ATE（平均处理效应），而是LATE（局部平均处理效应）。

这个概念最早由Imbens & Angrist (1994) 明确提出。他们的框架是：假设存在一个二元处理D，工具Z影响D，那么2SLS估计量识别的是『依从者』（compliers）——即那些因为Z的变化而改变处理状态的人——的平均处理效应。换句话说，IV回答的问题是：『对于被这个工具推了一把的人，处理效果平均是多少？』而不是『对于整个人群，处理效果平均是多少？』

一个具体的例子：

Angrist & Krueger (1991) 用出生季度作为教育年限的工具变量。他们的经典发现是：Q1出生的人比Q4出生的人平均少受约0.1年教育（因为义务教育入学截止日期）。但这里的关键问题是：出生季度只对那些『恰好卡在入学截止线附近、本来想辍学却被法律多留了一年』的人产生影响。对于立志读博士的人，出生季度不会改变他们的教育年限——他们不是compliers。所以Angrist & Krueger估计的『教育回报率』，本质上是『对于被义务教育法多留了一年的边缘学生，多读一年书的回报』。这个数字是否可以外推到整个劳动力市场？在政策意义上可能恰恰是——因为政策干预的正是这些边缘人群。但在科学意义上，它不等于『教育对所有人的平均因果效应』。

为什么要强调这一点？因为在文献综述时，我看到大量论文把IV结果直接写成『X导致Y』，而没有限定『对于compliers』。这不是咬文嚼字——当处理效应本身存在异质性时（heterogeneous treatment effects），ATE和LATE可能相差甚远。一个极端的构造例子：假设处理对70%的人完全无效（效应=0），对30%的人效应为+10。如果工具恰好只影响那30%的人，那么IV估计值是10，而ATE只有3。两者相差3倍以上。

更隐蔽的问题是：LATE本身依赖于『谁被工具推了一把』，而这个『谁』往往是不可观测的。这意味着两个研究即使使用同一个X→Y关系，只要工具不同，估计出的LATE就可能不同——这不是矛盾，而是异质性的体现。但在实证讨论中，这种差异常被误读为『结果不稳定』或『复制失败』。

我真正想提出的问题是：如果LATE才是IV实际回答的问题，而我们真正关心的是政策相关的处理效应（policy-relevant treatment effect），那么是不是应该更谨慎地把IV结果用于泛化的因果陈述？ 更进一步——当我们做literature-review时，面对一堆IV估计值，我们是否应该按compliers特征（如果能识别）来分层综合，而不是简单地把它们当作同一个因果参数的多个估计？

这个问题值得一个开放的辩论：IV的LATE性质，究竟是它的局限，还是它真正的力量所在？