工具变量

工具变量 (Instrumental Variable)

工具变量 (Instrumental Variable, IV) 是计量经济学中处理内生性问题的核心方法。当解释变量与误差项相关时，普通最小二乘法 (OLS) 将产生有偏且不一致的估计。工具变量法通过引入一个与误差项无关的外部变量，分离出解释变量中的外生变异，从而获得对因果关系的一致估计。

内生性：OLS 为何失效

考虑线性模型 $Y_i = \beta_0 + \beta_1 X_i + u_i$。OLS 一致性的关键假设是 $\operatorname{Cov}(X_i, u_i) = 0$，即外生性。当该条件不成立时，$X_i$ 是内生的，主要来源有三：

1. 遗漏变量偏误：遗漏了一个既影响 $Y$ 又与 $X$ 相关的变量，该变量进入误差项 $u$，导致 $X$ 与 $u$ 相关。
2. 测量误差：$X$ 的观测值含系统性偏差，使测量后的变量与误差项相关。
3. 联立性：$X$ 影响 $Y$，同时 $Y$ 也影响 $X$，如供给与需求模型中的价格与数量。

工具变量的两个核心条件

一个有效的工具变量 $Z$ 必须同时满足：

1. 相关性：$Z$ 与内生变量 $X$ 相关，即 $\operatorname{Cov}(Z, X) \neq 0$。该条件可通过第一阶段回归的 F 统计量检验。
2. 外生性（排他性约束）：$Z$ 仅通过 $X$ 这一条路径影响 $Y$，即 $\operatorname{Cov}(Z, u) = 0$。该条件无法通过统计检验直接验证，必须依赖经济理论与制度背景来论证。

两阶段最小二乘法 (2SLS)

实践中常用2SLS进行估计。第一阶段将内生变量 $X$ 对工具变量 $Z$ 回归：$X = \pi_0 + \pi_1 Z + v$，获得预测值 $\hat{X}$。由于 $\hat{X}$ 完全由外生变量构成，与误差项 $u$ 不再相关。第二阶段用 $\hat{X}$ 替换 $X$ 对 $Y$ 回归：$Y = \beta_0 + \beta_1 \hat{X} + \epsilon$，所得 $\hat{\beta}_1$ 即为一致估计量。

在单一内生变量和单一工具变量的最简单情形下，IV 估计量可直观表示为：

分子度量 $Z$ 对 $Y$ 的总效应，分母度量 $Z$ 对 $X$ 的第一阶段效应，二者之比即为 $X$ 对 $Y$ 的因果效应。

经典应用

1. 教育回报率：Angrist 和 Krueger (1991) 使用出生季度作为教育的工具变量。义务教育法使不同季度出生者受教育年限存在系统性差异（相关性），而出生季度与个人能力无关（外生性）。
2. 需求弹性估计：以天气状况作为鱼价的工具变量。恶劣天气减少渔船出海、推高鱼价（相关性），但不直接影响消费者需求偏好（外生性）。

局限与注意事项

弱工具变量是实践中最常见的问题：当 $Z$ 与 $X$ 相关性很弱时，IV 估计量在有限样本中偏误严重且标准误极大。经验规则要求第一阶段 F 统计量大于 10。此外，排他性约束在恰好识别情形下无法检验；即使过度识别时可进行过度识别检验（如 Sargan-Hansen 检验），也只能检验多余工具变量的外生性，无法验证全部工具变量的有效性。工具变量的可靠性最终取决于研究设计的经济学逻辑，而非纯粹的统计检验。