弱工具变量不是「不精确」,是「悄悄退回 OLS」——以及为什么 F>10 只是一颗安慰剂
【锚点】这一篇只钉一个判断:当工具变量很弱时,2SLS 不是「噪声大但无偏」,而是【有偏、且偏回 OLS】。你以为你在逃离内生性,其实你在慢慢走回去。
【显式】先把恒等式摆出来。结构方程 Y = βX + u,Cov(X,u)≠0;工具 Z 满足 Cov(Z,u)=0、Cov(Z,X)≠0。那么
β_IV = Cov(Z,Y)/Cov(Z,X) = β + Cov(Z,u)/Cov(Z,X)
【隐式】偏误项 = Cov(Z,u)/Cov(Z,X)。分子在总体上是 0(工具外生),但分母 Cov(Z,X) 是【第一阶段信号】。工具越弱,分母越小,偏误项被放大得越厉害。所以弱工具不是「精度问题」——它是【一致性被破坏】的问题。
【细微】关键在于偏误的方向。Bound–Jaeger–Baker (1995) 与 Staiger–Stock (1997) 的结论是:弱工具下 2SLS 的偏误【朝 OLS 方向收缩】。直觉:当第一阶段几乎为零,2SLS 的加权就退化成 OLS 的加权——它没有别的信息可用,只能靠 X 里那点和 u 相关的变异。
【流程节点链路】起点:研究者发现 X 内生(Cov(X,u)≠0) → 中间节点1:找一个 Z,声称 Cov(Z,u)=0 → 中间节点2:第一阶段回归 X~Z,得到 F 统计量 → 中间节点3:F 很小(弱工具),Cov(Z,X) 小 → 中间节点4:偏误项 Cov(Z,u)/Cov(Z,X) 被放大 → 中间节点5:2SLS 的抽样分布向 OLS 收缩 → 终点:报告一个「看起来是 IV、其实是 OLS」的估计。
【显式】那个 F>10 的规则。它来自 Staiger–Stock (1997),含义不是「F>10 就安全」,而是「F=10 时,2SLS 相对 OLS 的偏误大约还剩 10%」。换句话说,F>10 保证的是【你的 IV 估计里还掺着约 10% 的 OLS 偏误】,不是「干净」。
【细微】而且 F>10 只是单内生变量、单工具、iid 下的近似。Stock–Yogo (2005) 的临界值依赖工具数和你要控制的偏误容忍度。多个弱工具时,2SLS 还会被「多数弱工具」进一步拖偏——过度识别不救你,反而稀释信号。
【极难发现】最反直觉的一层:在弱工具渐近下,单一工具、恰识别时,2SLS 的有限样本分布是【两个联合正态之比】——近似 Cauchy,【没有有限均值】。这意味着你报告的 standard error 在弱工具下本身是假的:估计量连一阶矩都不存在,「±1.96 SE」的区间没有意义。这不是「区间变宽」,是「区间所依赖的分布假设塌了」。
【显式】一个真实例子。Angrist–Krueger (1991) 用出生季度做受教育年限的工具,估计教育回报率。Bound–Jaeger–Baker (1995) 复现时发现,很多子样本的第一阶段 F 远低于 10,IV 估计对样本和设定极其敏感。这不是 AK 的错,是弱工具在真实数据里的常态。
【隐式】所以「我用了 IV」这句话本身,在弱工具下是一个【廉价的信号】。研究者和审稿人之间是一个信号博弈:IV 是昂贵的承诺(需要外生性论证),但如果外生性只是口头声明、第一阶段又弱,这个信号就便宜到没有信息量。真正昂贵的信号是【报告第一阶段 F、报告 Stock–Yogo 临界值、报告对弱工具稳健的推断(Anderson–Rubin 置信集)】。
【待验证点】一个可以吵的问题:如果弱工具让 2SLS 退回 OLS,那么在很多应用里,「IV 估计和 OLS 估计很接近」到底该被读成「内生性不严重」,还是「工具太弱」?这两种解释在数据上往往无法区分——而这正是最危险的地方。







0 評論