数据范儿_范老师-AI时代科研统计新范式-计量科研AI导航

一、开篇：内生性来了，你手边没有好的工具变量——"那就用滞后项吧"

你研究"FDI 对经济增长的影响"。你知道 FDI 存在内生性——经济增长快的国家也更能吸引外资，Cov(FDI, ε) ≠ 0。你需要一个工具变量。

你翻了几篇文献，发现一个常见的操作——用 FDI 的滞后一期做工具变量。理由是：去年的 FDI 和今年的 FDI 高度相关（满足相关性条件），而"去年的 FDI 不应该被今年的经济增长的误差冲击所影响"（满足外生性条件）。

你照做了。2SLS 的第二阶段结果显示：FDI 的系数显著为正。审稿人看了一眼你的 IV 策略，问了一句话：

"你假设了 $\text{Cov}(\text{FDI}_{t-1}, \varepsilon_t) = 0$ 。但如果经济冲击是持续的——今年的正向经济冲击和去年的正向经济冲击是相关的——你还能保证这个假设成立吗？"

你沉默了。因为如果误差项存在序列相关—— $\varepsilon_t$ 和 $\varepsilon_{t-1}$ 不独立——那么去年的 FDI（它和 $\varepsilon_{t-1}$ 相关）就自然也和你今年的 $\varepsilon_t$ 相关了。你的工具变量不再外生。它的"外生性"建立在一个你从未检验、而且很可能不成立的假设之上。

核心信息：用滞后变量做工具变量的合理性，取决于一个关键假设—— $\text{Cov}(X_{t-1}, \varepsilon_t) = 0$ ，即滞后期的 X 和当期的误差不相关。这个假设等价于要求误差项不存在序列相关。如果经济冲击是持续的（大多数宏观和微观面板中都是），这个假设就不成立——滞后项不是有效的工具变量。更一般地，滞后变量作为 IV 的有效性不是一个 "是或否" 的问题，而是一个连续光谱——从"明确不合理"（存在强序列相关）到"勉强可接受"（冲击是短暂的、X 是缓慢调整的存量变量）再到"合理且正确"（在 System GMM 的框架下，利用差分方程和水平方程的系统矩条件）。

二、滞后变量做 IV 的基本逻辑——为什么直觉上是诱人的？

2.1 设定

你的结构方程是：

$Y_t = \beta_0 + \beta_1 X_t + \varepsilon_t$

其中 $X_t$ 是内生的： $\text{Cov}(X_t, \varepsilon_t) \neq 0$ 。你需要一个工具变量 $Z$ 满足两个条件：

相关性： $\text{Cov}(Z, X_t) \neq 0$
外生性： $\text{Cov}(Z, \varepsilon_t) = 0$

你提出 $Z = X_{t-1}$ （滞后一期的 X）。

相关性： $X_{t-1}$ 和 $X_t$ 通常高度相关——大多数经济变量（GDP、投资、就业、收入）都具有持续性。这个条件容易满足。

外生性： $X_{t-1}$ 是"过去"的变量。它是在 $t-1$ 期被确定的——而 $\varepsilon_t$ 是 $t$ 期的冲击。从时序上看，"过去"的变量不会受"未来"的冲击影响。逻辑上听起来合理。

2.2 这个逻辑的隐藏前提

$X_{t-1}$ 不受 $\varepsilon_t$ 的影响——这在数学上是必然成立的（因果关系不可能逆时间流动）。 但 IV 的外生性需要的不只是" $X_{t-1}$ 不被 $\varepsilon_t$ 影响"——它需要 $\text{Cov}(X_{t-1}, \varepsilon_t) = 0$ 。两者不完全相同。

为什么会有 $\text{Cov}(X_{t-1}, \varepsilon_t) \neq 0$ 的可能性？

因为 $X_{t-1}$ 是 $t-1$ 期被决定的——它受到 $\varepsilon_{t-1}$ 的影响。如果 $\varepsilon_{t-1}$ 和 $\varepsilon_t$ 是相关的（即误差项存在序列相关），那么 $X_{t-1}$ （通过 $\varepsilon_{t-1}$ ）间接地和 $\varepsilon_t$ 相关。

$X_{t-1} = \cdots + \gamma \varepsilon_{t-1} + \cdots$ $\varepsilon_t = \rho \varepsilon_{t-1} + \nu_t$

如果 $\rho \neq 0$ （误差存在序列相关），那么 $\text{Cov}(X_{t-1}, \varepsilon_t) = \gamma \rho \cdot \text{Var}(\varepsilon_{t-1}) \neq 0$ → 滞后变量不再是有效的工具变量。

三、什么时候合理？——一个从"绝对不行"到"基本可以"的判断光谱

3.1 情况一：明确不合理——误差项存在强序列相关

在大多数宏观时间序列中，经济冲击是高度持续的。 今年的正生产率冲击（εₜ > 0）很可能意味着去年也是正冲击（εₜ₋₁ > 0）。此时：

$\text{Cov}(\text{FDI}_{t-1}, \varepsilon_t) > 0$

用滞后 FDI 作为 IV，你本质上是在用一个和 εₜ 正相关的变量去"替代"另一个和 εₜ 正相关的变量（FDIₜ）。这并不是真正的工具变量——你只是把偏误从一个变量转移到了另一个变量，而且你没有任何独立的变异来源来识别因果效应。

更糟糕的是，如果 X 也具有强持续性（即 $X_t \approx X_{t-1}$ ），那么 $X_{t-1}$ 和 $X_t$ 几乎是一回事——你等于在用 X 自己作为自己的工具变量。工具变量应该提供"独立于内生变量且外生于误差项"的变异——一个和内生变量几乎相同且被同一个序列相关误差污染的变量，不提供任何新的独立变异。

判断标准：如果你的回归误差在 AR(1) 检验中显著存在序列相关，滞后变量作为 IV 的外生性就站不住脚。

3.2 情况二：勉强可接受——经济冲击是短暂的、X 是存量变量

在某些微观场景中，影响当期 Y 的冲击可能是短暂且不延续的。比如：

天气冲击：今年的降雨量只影响今年的农业产出。去年的降雨量和今年的降雨量可能无关，且去年的 FDI 投资决策（在去年的天气条件下做出的）和今年的天气冲击无关。在这种情况下， $\varepsilon_t$ 和 $\varepsilon_{t-1}$ 可能近似不相关 → $\text{Cov}(X_{t-1}, \varepsilon_t) \approx 0$ 。
X 是一个"缓慢调整的存量变量"：比如"企业的资本存量"。资本存量由过去的投资累积而成，今年的调整只改变很小一部分。 $K_{t-1}$ 和 $K_t$ 高度相关（好工具），但 $K_{t-1}$ 几乎不受 $\varepsilon_t$ 的影响（因为今年的冲击 εₜ 只能改变今年的少量投资，对存量本身影响微乎其微）。

但即使在这些情况下，"滞后变量作为 IV"仍然不是一个令人信服的 IV 策略——它最多只能作为一个"比 OLS 稍微好一点"的基准模型，在稳健性检验中报告。如果你声称这是你唯一的识别策略，审稿人通常不会买账。

3.3 情况三：在正确框架下合理——System GMM

在动态面板模型（包含滞后因变量的模型）中：

$Y_{it} = \beta_0 + \rho Y_{i,t-1} + \beta_1 X_{it} + u_i + \varepsilon_{it}$

$Y_{i,t-1}$ 天然内生——因为它和个体固定效应 $u_i$ 相关（ $u_i$ 同时影响 $Y_{i,t-1}$ 和 $Y_{it}$ ）。此时，使用滞后变量作为 IV 不再是临时的"旁门左道"——它是被正式推导、被广泛接受的系统估计方法的核心组件。

Arellano-Bond（Difference GMM）：对差分方程 $\Delta Y_{it} = \rho \Delta Y_{i,t-1} + \beta_1 \Delta X_{it} + \Delta \varepsilon_{it}$ ，使用 $Y_{i,t-2}, Y_{i,t-3}, \dots$ （更早期的滞后水平值）作为 $\Delta Y_{i,t-1}$ 的工具变量。这些更早期的滞后值在"误差没有序列相关"的假设下和 $\Delta \varepsilon_{it}$ 不相关。

Blundell-Bond（System GMM）：在差分方程的基础上，额外利用水平方程——用 $\Delta Y_{i,t-1}, \Delta Y_{i,t-2}, \dots$ （滞后的差分值）作为水平方程中 $Y_{i,t-1}$ 的工具变量。System GMM 比 Difference GMM 更有效——尤其是当 Y 具有强持续性（ρ 接近 1）时，滞后水平值是弱工具变量，而滞后差分值提供了额外的识别力。

在 System GMM 的框架下，使用滞后变量作为 IV 是合理且正确的——前提是你正确使用了这些矩条件，并报告了相关诊断检验：

Hansen/Sargan 过度识别检验：检验所有工具变量的联合外生性。p > 0.05 → 不能拒绝工具变量外生的原假设。
AR(2) 检验：检验差分后的误差项是否存在二阶序列相关。p > 0.05 → 不能拒绝无二阶自相关的原假设（如果存在 AR(2)， $Y_{i,t-2}$ 不再是有效的 IV）。
工具变量数量：如果工具变量数量接近或超过个体数 N → 过度拟合的警告信号。通常要求 IV 数量 < N。

四、什么时候绝对不行？——三个红灯

4.1 红灯一：你只有一个滞后一期作为 IV，且没有任何诊断检验

只使用 $X_{t-1}$ 作为 IV，模型是恰好识别的——你无法检验这个工具变量的外生性。过度识别检验（Sargan/Hansen）需要"工具变量数 > 内生变量数"——恰好识别时，你无法对 IV 的外生性进行任何统计检验。

一个恰好识别且无法被检验的 IV 策略，加上一个很可能不成立的序列无关假设，加上一个和内生变量几乎相同的工具变量——这在逻辑上几乎是循环论证。你的 IV 本质上就是"X 的稍微旧一点的版本"——如果新的 X 是内生的，为什么旧的 X 就突然外生了？

4.2 红灯二：X 是一个"流动变量"而非"存量变量"

存量变量（如资本存量、累积受教育年限）：今天的值包含了大量过去累积的信息。 $X_{t-1}$ 和 $X_t$ 高度相关，但 $X_{t-1}$ 被当期冲击 εₜ 污染的程度较小。
流动变量（如当年的 R&D 支出、当年的广告费用、当年的 FDI 流入）：今天的值和去年的值相关，但相关程度远不如存量变量。而且流动变量本身就是当期决策的结果—— $X_{t-1}$ 同样是一个"内生决策"——只不过发生在一个时期之前。如果两期的决策由同一个持续性因素驱动（如"管理质量"或"市场前景"）， $X_{t-1}$ 和 εₜ 仍然相关。

流动变量 + 滞后项作为 IV = 红灯。

4.3 红灯三：你的面板 T 很短，但你声称使用"内部 IV"解决了内生性

在短面板中（T = 3 或 4），你能使用的滞后 IV 数量极其有限，且滞后项和当期项的差异很小。如果你声称用 $X_{i,t-1}$ 作为 $X_{it}$ 的 IV 就"解决了内生性"，审稿人只需要问一句——"一个变量和自己的滞后项之间的差异，到底是什么独立的外生变异来源？"——你就无法回答。

五、如果不应该用滞后变量，应该用什么？——替代方案的优先级排序

5.1 第一优先：寻找真正的"外部"工具变量

一个好的工具变量应该来自"模型之外"——它不应该只是模型内生变量的一个滞后版本。外部工具变量的变异来源独立于内生变量的生成过程：

制度/政策冲击：义务教育法改革 → 受教育年限的变化
自然/地理特征：降雨量 → 农业产出；距离港口距离 → 贸易量
历史事件：殖民历史 → 当代制度质量
随机实验/抽签：越南征兵抽签 → 是否服役

寻找外部 IV 需要的是研究设计层面的思考，而不是数据操作层面的技巧。 在规划你的研究时，先问自己："什么因素让一些人得到了更多的 X，而这个因素和影响 Y 的其他所有因素都无关？"——而不是"我的数据里有什么变量可以拿来当 IV？"

5.2 第二优先：面板数据方法——固定效应 + 准自然实验

如果你的数据是面板数据，且内生性主要来自不随时间变化的遗漏变量（如能力、地理位置、制度传统），固定效应模型可以直接消除这一层面的内生性——不需要工具变量。

如果你的内生性来自时变的混淆因素或反向因果，而你有某种准自然实验（如交错实施的政策），可以使用：

DID + 事件研究：利用政策在时间和地区上的变异来识别因果效应。
Bartik 工具变量（Shift-Share IV）：利用"初始份额 × 总体增长率"的交互作为 IV——它具有面板结构中的"外部"变异。

5.3 第三优先：如果只能用滞后项——System GMM + 完整的诊断报告

如果你确实没有任何外部 IV，而你的数据是面板结构（N 较大，T 中等），System GMM 可能是你的最佳选择。但使用 System GMM 不是"偷懒"的借口——你需要在论文中完整报告：

Hansen/Sargan 检验的 p 值
AR(2) 检验的 p 值
工具变量的数量（以及是否超过 N）
Difference-in-Hansen 检验（检验 System GMM 额外矩条件的有效性）
作为稳健性：OLS（上限）和固定效应（下限）的系数范围，展示 GMM 估计是否落在这个合理范围内

六、一个自查清单

在决定"用滞后变量做 IV"之前，问自己六个问题：

我的内生变量是存量还是流动变量？ → 存量：稍微可接受。流动：基本不行。
我的数据中，误差项是否存在序列相关？ → 检验一下。有 → 滞后 IV 的外生性不成立。
我只用了一个滞后项作为 IV 吗？ → 恰好识别，无法检验外生性。至少需要两个 IV 才能做过度识别检验。
我有面板数据吗？ → 如果有，考虑 System GMM + 完整诊断。如果没有，滞后 IV 几乎不可能令人信服。
我有没有寻找过外部 IV？ → 如果没有——先去找。滞后项是"没有办法的办法"——但不能是"唯一的办法"。
我的 T 是否很短（≤3）？ → 如果是，滞后项和当期项的差异太小，IV 几乎没有独立的识别力。

七、总结

滞后变量做 IV 的五条核心知识：

滞后变量的外生性假设 = 误差项不存在序列相关。 如果冲击是持续的（大多数经济数据中都是），滞后变量就不再外生——它被上一期的误差污染了，而上一期的误差和本期的误差相关。
滞后变量作为 IV 的问题不在于"相关性"（通常足够强），而在于"外生性"不可检验。 恰好识别时，你无法对 IV 的外生性进行任何统计检验——你只能"假设"它成立。
存量变量比流动变量更适合用滞后项做 IV。 存量变量包含大量过去的信息，被当期冲击污染的程度小。流动变量是当期决策的结果——滞后一期同样是一个内生决策。
System GMM 是在一定条件下合理使用滞后 IV 的正确框架。 但它要求面板结构、需要大量诊断检验、且对工具变量数量和序列相关假设高度敏感。它不是"万能的滞后项处理器"。
在寻找"数据里的 IV"之前，先寻找"研究设计里的 IV"。 一个好的工具变量来自模型之外的制度、自然、历史或随机变异——而不仅仅是你手头变量的上一期。

一句话收尾：

"用滞后变量做 IV，本质上是在说：'我不知道什么外生因素让 X 发生变化——但我知道一年前的 X 和今年的 X 差不多，而且它'应该'和今年的误差无关。'第一句话是事实，第二句话是你没有检验过、而且很可能不成立的一个假设。当你只有恰好识别、无法检验外生性、且误差可能存在序列相关——你用的不是一个工具变量，你用的是同一个内生变量的旧版本，在穿着 IV 的外衣假装自己是外生的。"

用滞后变量做工具变量——什么时候合理？什么时候是自欺欺人？