工具变量模型

工具变量模型 (Instrumental Variables Model)

工具变量模型（Instrumental Variables，简称IV）是计量经济学中处理内生性问题的核心方法。当回归模型中的解释变量与误差项相关时，普通最小二乘法（OLS）估计量将是有偏且不一致的。工具变量法通过引入与内生解释变量相关、但与误差项无关的"工具"变量，恢复对因果效应的一致估计。这一方法由Philip G. Wright于1928年在其对农产品供需的研究中首次提出，后经两阶段最小二乘法（2SLS）的标准化而成为实证研究的必备工具。

内生性问题的来源

工具变量模型解决的根本问题是内生性（Endogeneity），即 $\operatorname{Cov}(X_i, u_i) \neq 0$。内生性主要有三个来源：

遗漏变量偏误（Omitted Variable Bias）：存在既影响因变量$Y$又与解释变量$X$相关的不可观测因素$Z$。若$Z$被遗漏，则它进入误差项$u$，导致$X$与$u$相关。典型例子：估计教育对工资的回报时，能力（不可观测）同时影响教育水平和工资。

测量误差（Measurement Error）：当自变量存在测量误差$X = X^* + v$时，即使真实值$X^*$与误差项不相关，观测值$X$也会通过$v$与误差项产生关联，导致衰减偏误。

联立性偏误（Simultaneity Bias）：在供需系统中，价格和数量由供给和需求曲线同时决定。任何一方方程中的价格变量都与该方程的误差项相关，因为价格是系统内生的结果，而非外生给定的原因。这违反了OLS的核心假设，使得直接估计供需弹性不可行。

有效工具变量的两个条件

一个有效的工具变量$Z$必须同时满足两个条件：

相关性（Relevance）：$\operatorname{Cov}(Z_i, X_i) \neq 0$。工具变量必须与内生解释变量显著相关。这一条件可以在第一阶段回归中直接检验：将$X$对$Z$（以及所有外生变量）回归，检验$Z$的系数是否显著。若相关性很弱，则称为弱工具变量问题，会导致IV估计量严重偏向OLS估计量，且标准误膨胀。

外生性（Exogeneity）：$\operatorname{Cov}(Z_i, u_i) = 0$。工具变量必须与结构方程的误差项不相关，即$Z$只能通过$X$间接影响$Y$，而不能有独立的直接影响路径。这一条件是不可直接检验的——它依赖于经济理论和研究者的论证。在恰好识别（工具变量数等于内生变量数）的情况下，外生性只能作为一种信念被维持；在过度识别情况下，可以通过过度识别检验提供间接证据。

两阶段最小二乘法 (2SLS)

对于最简单的模型：

其中$Z_i$是$X_i$的有效工具变量，2SLS估计分两步进行：

第一阶段（First Stage）：将内生变量$X$对外生工具变量$Z$（以及模型中所有外生控制变量$W$）进行OLS回归：

由此得到$X$的预测值$\hat{X}_i$。这一步骤将$X$分解为两部分：由外生工具变量$Z$解释的"干净"部分$\hat{X}_i$，以及与误差项$v_i$相关的"污染"部分。

第二阶段（Second Stage）：用第一阶段得到的$\hat{X}_i$替代原始$X_i$，对结构方程进行OLS回归：

由于$\hat{X}_i$是$Z$（和$W$）的线性组合，而$Z$和$W$均与结构误差项$u_i$不相关，因此$\hat{X}_i$与$u_i$也不相关，从而恢复了$\beta_1$的一致性估计。

注意：2SLS第二阶段的标准误必须进行修正。因为$\hat{X}_i$是基于第一阶段的估计值而非真正的$X_i$，直接使用OLS公式计算的标准误会偏小。所有现代计量软件（Stata的\texttt{ivreg2}、R的\texttt{AER::ivreg}、Python的\texttt{linearmodels}）都会自动进行这一修正。

多元内生变量与识别条件

当存在多个内生变量时，IV模型自然扩展。设有$k$个内生变量，则至少需要$k$个工具变量。识别条件分为三种情况：

恰好识别（Exactly Identified）：工具变量数量$m$等于内生变量数量$k$。模型参数被唯一确定，2SLS等价于间接最小二乘法（ILS）。

过度识别（Over-identified）：$m > k$。存在比所需更多的工具变量，参数有多组可能的估计值。2SLS通过将这些工具变量的信息以最优方式组合，得出唯一估计。过度识别允许进行过度识别约束检验（如Sargan检验或Hansen J检验），为外生性假设提供部分统计证据。

识别不足（Under-identified）：$m < k$。工具变量数量不足，模型参数无法被识别，任何估计都是无意义的。这是实证研究中最致命的问题之一。

诊断检验

弱工具变量检验：若第一阶段$F$统计量（检验所有工具变量系数联合为零的假设）小于经验阈值10（Stock-Yogo准则），则存在弱工具变量问题。此时IV估计量不仅不改善OLS偏误，反而可能更差。解决方案包括：使用有限信息最大似然法（LIML）——它对弱工具变量更稳健；或寻找更强的工具。

过度识别检验：Sargan检验（同方差假设下）和Hansen J检验（异方差稳健）用于检验过度识别约束的有效性。原假设是所有工具变量都是外生的。若拒绝原假设，则至少有一个工具变量不满足外生性条件，模型设定存疑。但这些检验不能指出哪个工具变量有问题，且检验效力依赖于至少有部分工具是有效的。

Hausman检验（或称Durbin-Wu-Hausman检验）：用于正式检验是否存在内生性。通过比较OLS和IV估计量的差异，若两者在统计上显著不同，则拒绝"所有解释变量均为外生"的原假设，确认需要使用IV。

经典应用与实例

Angrist \& Krueger (1991)：利用出生季度作为教育的工具变量估计教育回报。美国的义务教育法规定学生在达到特定年龄后方可辍学，而入学截止日期因州而异，因此出生季度影响实际受教育年限（相关性），但出生季度本身与个人能力或工资决定因素无关（外生性）。

Levitt (1997)：使用市长和州长选举周期作为警察雇佣的工具变量，估计警察数量对犯罪率的影响。选举周期影响警察雇佣决策（相关性），但与直接影响犯罪的其他社会经济因素无直接关联。

Acemoglu, Johnson \& Robinson (2001)：使用殖民者死亡率作为制度的工具变量，估计制度质量对经济发展的因果效应。殖民者在高死亡率地区建立的制度更具掠夺性（相关性路径），而殖民者死亡率不直接影响当今的经济表现。

局限性与注意事项

尽管工具变量法是解决内生性的黄金标准方法，但仍有若干重要局限：首先，外生性不可证伪——无论统计检验多么完美，工具变量的外生性最终建立在理论论证之上，最精巧的IV设计也可能因一个未被注意的因果路径而崩塌。其次，IV估计的是局部平均处理效应（LATE），而非总体的平均处理效应（ATE）——只有当工具变量对所有人的影响都相同时，IV才等于ATE，这一条件在现实中极少成立。再次，弱工具变量可能比OLS更差——在有限样本下，弱IV的偏误可能超过OLS的内生性偏误，方向甚至与OLS相同。最后，好工具变量极度稀缺——在观察性数据中找到一个同时满足相关性和外生性的变量，往往需要深刻的理论洞察和巧妙的自然实验设计。

总之，工具变量模型是计量经济学因果推断的核心武器。从Wright最初的供需识别，到Angrist-Krueger的出生季度研究，再到当代断点回归和双重差分等准实验方法，IV的思想——利用外生变异识别因果效应——始终贯穿于实证经济学的方法论演进。掌握IV不仅是学会一个技术，更是理解"因果关系"在非实验数据中何以可能被识别这一核心哲学问题。