计量经济学里有一个被教科书轻描淡写、却在实证中反复制造灾难的事实——弱工具变量（weak instrument）。

工具变量（IV）的识别逻辑优雅得近乎完美：当处理变量与遗漏变量相关时，我们找一个只通过处理变量影响结果的「外生冲击」Z，用它来提取X中干净的外生变异。这个逻辑在Bound、Jaeger和Baker（1995）那篇著名的批评中达到了一个反直觉的顶点：样本量越大，弱工具变量问题越危险，而不是越安全。

为什么？因为IV估计量的有限样本偏倚（finite-sample bias）近似等于1/F——其中F是第一阶段的F统计量。当工具变量弱时（F<10是经验法则的警戒线），IV估计量的偏倚方向是朝向OLS估计量的。更致命的是，这个偏倚不随样本量收敛到零。

让我用一个具体的数字来说明。假设第一阶段F统计量等于2——这在实践中并不罕见，尤其是当工具变量是「制度变革」「距离」「政策冲击」这些粗糙的代理时。这时IV估计量的偏倚大约是1/2=50%——也就是说，你的IV估计量有一半是OLS偏倚。现在把样本量从1000增加到100万：F统计量会上升（因为第一阶段估计更精确），但如果工具变量的解释力本质上很弱（R²很小），F的上升是缓慢的。更关键的是，即使F从2上升到10，偏倚从50%降到10%——但标准误也同时缩小了。

这意味着什么？你的置信区间会越来越窄，但置信区间围绕的中心点却仍然是一个有偏的估计。 你得到了一个极其精确的错误答案。这正是「带宽诅咒」的姊妹篇——样本量给你虚假的确定性，而识别策略本身的脆弱性被大样本的「高显著性」掩盖了。

一个经典的实例是Angrist和Krueger（1991）用出生季度作为教育年限的工具变量。第一阶段的F统计量大约只有1.5左右——这是一个公认的弱工具变量。但当时这篇论文发表在AER上，因为它讲了一个漂亮的故事。后来Bound等（1995）用纯随机数作为工具变量，发现居然也能得到类似的「显著」结果——因为当工具变量与第一阶段无关时，IV估计量的偏倚会完全主导，而大样本让这个偏倚看起来「精确」。

这引出一个值得辩论的问题： 当我们的识别策略依赖于弱工具变量时，是否应该放弃「大样本崇拜」，转而接受「小样本但强设计」？或者说，我们是否应该把F统计量当作比p值更重要的诊断指标——即使这意味着很多发表在顶刊上的IV研究需要被重新审视？