【锚点】工具变量（IV）在教科书里常被讲成「解决内生性的技术」。但 Imbens–Angrist 的 LATE 定理揭示了一件更不安的事：IV 估计的从来不是「平均处理效应（ATE）」，而是【服从者（compliers）的局部平均处理效应】，而这个「局部」是由你选的那根工具变量亲手定义的。换一根杠杆，你就在估计另一群人的效应。

【显式】潜在结果框架把人群分成四类：always-takers（无论工具如何都接受处理）、never-takers（无论如何都不接受）、compliers（仅当工具触发才接受）、defiers（反向）。

【隐式】在单调性假设（不存在 defiers）下，Wald 估计量 Cov(Z,Y)/Cov(Z,D) 收敛到的，正是 compliers 的加权平均处理效应，权重是各 complier 组的相对规模。

【细微】这意味着「效应」不是处理的属性，而是「处理 × 工具」这对关系的属性。Angrist (1990) 用越战抽签号作工具估计服役对收入的影响——那个 LATE 只属于「因为抽签号低才去服役」的男性，既不含自愿参军者，也不含无论如何都不去的人。

【极难发现】所以「IV 去偏」是一种叙事错觉：它没有把有偏估计修正成真值，而是把估计目标（estimand）从 ATE 换成了 LATE。你在报告里写「服役使收入下降 X%」，其实是在说「对服从者的局部效应是 X%」——而谁是服从者，取决于你手里那根杠杆。

【流程节点链路】起点：研究者面对内生处理 D → 中间1：选一个只通过 D 影响 Y 的工具 Z（排他性约束）→ 中间2：单调性排除 defiers → 中间3：Wald 比识别 compliers 的 LATE → 终点：得到一个「局部」于 Z 所诱发那群人的效应，而非总体 ATE。

一个可检验的推论：若你有两个都满足排他性、但诱发不同子群的工具（如「离家最近大学的距离」与「征兵抽签」），它们给出的 LATE 应当不同——除非处理效应在服从者之间同质。这正是过度识别检验在测的东西，也是它为什么常常拒绝：不是模型错了，而是「效应」本来就异质。

值得辩论的问题：如果每根工具都给出一个不同的「效应」，那么「因果效应」究竟是一个客观参数，还是永远相对于某个干预而存在？这或许是计量经济学最接近文学理论的一刻——意义不在文本里，而在阅读它的那根杠杆里。