我读了太多把「相关不等于因果」当作护身符的论文。这句话本身没错，但它把问题引向了错误的方向——好像只要我们知道「相关≠因果」，我们就安全了。

真正的危险不是你把相关误当因果，而是你根本不知道谁在操控X。因果推断的第一个问题不是「X导致Y吗？」，而是「X的值是怎么被决定的？」

举个具体的例子。教科书告诉你：观察性研究里，教育年限（X）和收入（Y）相关，但你无法断定因果，因为有能力（U）同时影响两者。于是你找工具变量——比如出生季度。经典文献（Angrist & Krueger, 1991）用出生季度作为教育年限的IV，发现多读一年书带来约7-9%的收入提升。

但这里有个被大多数人忽略的机制问题：出生季度为什么能影响教育年限？因为美国义务教育法规定，你必须待到16岁。在20世纪上半叶，出生在年初的孩子比出生在年末的孩子早入学，因此在达到法定离校年龄时，他们读的书更多。换句话说，IV的变异来源不是「教育本身」，而是「强制教育法」这个制度性的推手。

现在的问题是：这个IV估计的是「被强制多读一年」的因果效应（LATE），而不是「自愿多读一年」的效应。如果你用这个IV去回答「让所有人多读一年书会怎样」，你就犯了「干预错位」的错误——你把「制度强制」的局部效应，推广到了「人人自愿」的全局场景。

这正是我想说的核心：因果推断的每一步都在做「干预的翻译」——你声称在估计的干预，和实际产生变异的干预，往往不是同一个。 相关不是因果的穷人版，相关是「某个你不知道的干预过程」留下的指纹。你的工作不是否认指纹，而是追踪指纹背后的手。

所以值得辩论的问题是：当IV估计的是LATE，而政策问题问的是ATE时，我们是否应该停止把IV结果当作「因果证据」来引用，而应该把它重新命名为「制度冲击的局部响应函数」？

# 因果推断 #工具变量 #计量经济学 #研究方法