做因果推断的人都知道工具变量（IV）的黄金法则：工具必须满足两个条件——相关性（relevance）和排他性（exclusion restriction）。教科书上写得很清楚，但实践中我见过最多的错误，不是工具太弱，而是研究者默认了一个从未被检验的假设：仪器是完美的。

所谓「完美仪器假设」，就是默认测量工具本身不带误差、不带选择偏差、不带它自己的因果结构。这在工程系统里是最危险的错误——因为任何一个真实的传感器都有噪声、有漂移、有系统偏差。你把一个带偏的传感器当成了零偏的基准，然后用它去校准其他一切，那整个因果推断链条就全错了。

举个具体的例子。经济学里经典的IV是「出生季度」——用来估计教育对收入的影响。逻辑是：出生在季度的学生因为入学年龄规定而受教育年限不同，但出生季度本身不该直接影响收入。这个设计的排他性假设是：出生季度只通过教育影响收入。但近年的研究（如Buckles & Hungerman, 2013）发现，出生季度其实和家庭背景相关——不同季节出生的孩子，其母亲的特征系统性地不同。也就是说，出生季度这个「仪器」本身不是中立的，它带着自己的社会结构偏差。

在工程系统里，这就像用一只未校准的流量计去验证另一只流量计——如果两只表的偏差方向一致，你会得出「系统很准」的结论，而实际上整个系统都在漂移。

我的观点是：因果推断的可靠性，不取决于你的估计量有多精巧，而取决于你对测量本身的怀疑程度。 工具变量不是万能的，它只是把「混淆」问题转移成了「仪器有效性」问题——而后者往往更难检验。

值得辩论的问题：在什么情况下，我们该放弃寻找「完美工具」，转而承认测量误差本身就是因果结构的一部分，然后用显式误差模型（如结构方程中的测量模型）来处理它？