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：你找到了一个工具变量——然后审稿人问了三个问题，你只回答出了一题

你研究"教育年限对收入的影响"。你知道 OLS 有一个经典的内生性问题——能力（ $u_i$ ）同时影响教育选择和收入水平，遗漏能力导致教育年限的系数有偏。你需要一个工具变量。

你读到了一篇经典论文——Angrist 和 Krueger（1991）用出生季度作为教育的工具变量。逻辑是：义务教育法规定学生在满 6 岁那年的 9 月入学、满 16 岁后可以辍学——出生在年初的孩子比出生在年末的孩子更早达到辍学年龄，因此受教育年限更短。出生季度影响教育年限（相关性）——但出生季度似乎不应该直接影响收入（外生性）。

你决定效仿。你找到了一套工具变量，跑了两阶段最小二乘（2SLS）：

ivreg2 income (education = quarter_of_birth), first

输出显示：一阶段 F = 18.7（> 10，不错的），一阶段系数 = 0.082（出生季度和教育正相关）。你用这个结果写了论文的初稿。

然后审稿人问了三个问题：

"你的工具变量是相关的——一阶段 F 确实大于 10。但大于 10 就够了吗？多大才算'足够强'？"
"你的工具变量是外生的吗？你说出生季度'似乎不应该'直接影响收入——但你能证明吗？有没有可能的渠道——比如出生季度影响入学时的成熟度优势、进而影响长期的认知发展——使得出生季度通过教育之外的其他渠道影响收入？"
"你有几个工具变量？只有一个吗？如果只有一个，你怎么检验外生性？如果有多个——过度识别检验通过了吗？通过了就说明工具都是外生的吗？"

你的第一个问题还能用 Stock-Yogo 临界值表回答。后两个问题你愣住了——因为外生性在本质上是无法被统计检验完全证明的。

核心信息：工具变量的论证分为两个不对称的部分。相关性（Relevance）是可以被统计检验的 ——一阶段 F 统计量（> 10 是旧标准，> 104.7 是 5% 最坏偏误的新门槛）、弱工具变量的 Stock-Yogo 临界值、有限信息最大似然（LIML）作为弱 IV 下的稳健替代——这些工具提供了清晰、可量化的判断标准。外生性（Exogeneity）是无法被正式检验的 ——它本质上是一个"排除性限制"（Exclusion Restriction）的论证，只能通过理论和制度的推理、证伪检验（falsification tests）、过度识别检验（当有多个 IV 时）、以及灵敏度分析来"积累证据"而非"提供证明"。论证外生性最有力的角度来自三条路径：（1）制度/自然实验的叙事——为什么这个 IV 的变异来源可以合理地被视为"如同随机"？（2）证伪检验——在理论上不应该存在因果效应的样本中，IV 对 Y 的简约式是否不显著？（3）排除替代渠道——逐一论证为什么 IV 不可能通过 X 以外的其他路径影响 Y。好的工具变量论文不只是报告一阶段 F > 10 和过度识别检验的 p > 0.05——它讲了一个完整的故事：这个工具变量从何而来、为什么它只通过 X 影响 Y、以及你做了哪些努力来让读者相信这一点。

二、工具变量的两个必要条件——什么是相关性和外生性？

2.1 工具变量解决的是什么问题？

标准回归模型：

$Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i$

如果 $\text{Cov}(X_i, \varepsilon_i) \neq 0$ （X 是内生的——存在遗漏变量、测量误差或反向因果），OLS 的 $\hat{\beta}_1$ 是不一致的。

工具变量 Z 的引入是为了提取 X 中和 $\varepsilon$ 不相关的那个部分的变异——只用这部分干净的变异来识别 $\beta_1$ 。这就是两阶段最小二乘（2SLS）：

第一阶段：用 Z（和所有外生控制变量）预测 X，得到 $\hat{X}$ 。
第二阶段：用 $\hat{X}$ 替代 X，对 Y 做回归。

2.2 两个必要条件——少了任何一个，IV 就失效了

工具变量 Z 必须同时满足：

条件一：相关性（Relevance）

$\text{Cov}(Z_i, X_i) \neq 0$

Z 和内生变量 X 之间必须有足够强的偏相关（在控制了其他外生变量之后）。如果 Z 和 X 的相关太弱——"弱工具变量问题"——2SLS 不仅有偏（向 OLS 的方向偏），而且标准误被低估，推断不靠谱。

条件二：外生性（Exogeneity / Exclusion Restriction）

$\text{Cov}(Z_i, \varepsilon_i) = 0$

Z 和结构方程中的误差项不相关。等价地说——Z 对 Y 的影响仅通过 X 这条唯一的路径。Z 不能直接进入 Y 的方程，也不能通过任何未被控制的中间变量间接影响 Y。

两个条件合在一起的意思是：Z 是 X 的一个"外生推动力"——它推动 X 变化，但它自己不在 Y 的方程里。就像一个实验室里的仪器——它通过拨动 X 来间接影响 Y，但它不直接碰到 Y。

2.3 为什么外生性比相关性更难论证？

相关性是一个统计特征——你可以用数据和检验来量化它。外生性是一个因果陈述——"Z 不影响 Y，除了通过 X 这条路径"——这在逻辑上是无法用数据直接检验的。因为你需要检验的是 $\text{Cov}(Z, \varepsilon) = 0$ ——但 $\varepsilon$ 是不可观测的。你能观测的只是 $\hat{\varepsilon} = Y - \hat{\beta}_0 - \hat{\beta}_1 X$ ——而这些残差本身是在"假设 IV 有效"的前提下算出来的。

这是一个根本性的不对称：你可以用数据来量化你的工具变量有多"强"——但你无法用数据来证明你的工具变量是"干净"的。后者需要的不是更多的检验，而是更好的故事、更深的制度理解和更具创造性的证伪设计。

三、论证相关性——从"一阶段 F > 10"到完整的强工具诊断

3.1 第一步：一阶段回归——看 F 统计量

一阶段回归的形式（假设只有一个内生变量 X，一个工具变量 Z，K 个控制变量 W）：

$X_i = \pi_0 + \pi_1 Z_i + \pi_2 W_{1i} + \dots + \pi_{K+1} W_{Ki} + u_i$

核心问题是检验 $H_0: \pi_1 = 0$ （Z 和 X 无关——工具变量不相关）。

一阶段 F 统计量是对这个原假设的标准检验。F 统计量越大 → Z 和 X 的关系越强 → 工具变量越"相关"。

* 报告一阶段 F 和系数
ivreg2 y (x = z), first
* 输出包含一阶段 F、偏 R² 等

3.2 第二步：理解 F 的门槛——从"F > 10"到 Stock-Yogo 临界值

旧标准：F > 10（Staiger and Stock, 1997）

Staiger 和 Stock 的经验法则——如果一阶段 F < 10，你的工具变量是"弱的"。在弱工具变量下，2SLS 的有限样本偏误可以相当大（向不一致的 OLS 方向偏），且标准误被低估，置信区间的覆盖率远低于名义水平。

但"F > 10"只是一个大拇指法则——它没有考虑内生变量的数量、工具变量的数量、以及你能容忍多大的最坏情况偏误。

新标准：Stock-Yogo（2005）临界值

Stock 和 Yogo 提供了一个更精确的诊断框架。他们计算了在给定的"最坏情况相对偏误"容忍度下，所需的最小一阶段 F：

容忍的最坏偏误	1 个内生变量, 1 个 IV	1 个内生变量, 3 个 IV	2 个内生变量, 3 个 IV
10%（r = 0.10）	16.38	9.23	11.76
15%（r = 0.15）	8.96	6.08	7.29
20%（r = 0.20）	6.66	4.87	5.68
25%（r = 0.25）	5.53	4.24	4.79

建议：在现代实证论文中，引用 Stock-Yogo 临界值而非简单地说"F > 10"。如果你的 F = 18.7，你应该写："一阶段 F 统计量为 18.7，超过了 Stock-Yogo（2005）10% 最坏偏误临界值 16.38——表明本文的工具变量不存在严重弱 IV 问题。"

近期的重新评估：Lee, McCrary, Moreira 和 Porter（2022）建议了一个更保守的标准——在 5% 显著性水平上控制最坏情况下的过度拒绝，需要的 F 统计量远大于旧的临界值（对于单个工具变量且单个内生变量，建议 F > 104.7）。这在实践中是一个很高的门槛——大多数 IV 研究的一阶段 F 远低于此。因此，在实证中，不应机械地使用任何单一阈值——而是应综合 F 统计量、LIML（有限信息最大似然）的稳健性、以及 Anderson-Rubin 检验等多维信息来评估弱 IV 的严重性。

3.3 第三步：多个内生变量和多个 IV 时——不止一个 F

在多个内生变量的情况下，仅看单个变量的 F 是不够的——你需要看偏 F 统计量和Cragg-Donald Wald F 统计量（等同于一阶段 F 的多元推广）。

ivreg2 y (x1 x2 = z1 z2 z3), first
* 关注 Cragg-Donald Wald F statistic
* 和 Kleibergen-Paap rk Wald F（当使用聚类或异方差稳健标准误时）

如果 Cragg-Donald F（或 Kleibergen-Paap F）小于 Stock-Yogo 临界值 → 你可能有弱工具变量问题。

3.4 第四步：如果真的弱——怎么办？

如果一阶段 F 低于 Stock-Yogo 临界值：

使用 LIML（有限信息最大似然）而非 2SLS。LIML 在弱工具变量下的有限样本偏误远小于 2SLS，是弱工具变量情境下的默认选择。LIML 的缺点是标准误稍大于 2SLS（中等程度）。

ivreg2 y (x = z), liml

报告 Anderson-Rubin 检验。AR 检验直接检验了" $\beta_1$ = 某个候选值"——它对弱工具变量是稳健的——不依赖于"弱 IV 还是强 IV"的判断。

ivreg2 y (x = z), first
* AR 检验在 first-stage 输出中（Weak identification robust tests）

使用 Fuller 修正估计量（Fuller-k 估计量）——k = 1 对应 LIML，k = 4 对应 Fuller 建议的调整，在保持 LIML 的偏误性质的同时降低了标准误。
寻找更强的工具变量。如果以上都不够——最诚实的做法是承认"本文的工具有弱 IV 问题，结论应以 Anderson-Rubin 置信区间为准，建议后续研究寻找更强的工具变量"。

3.5 相关性论证的完整清单

报告一阶段 F 统计量（或 Cragg-Donald / Kleibergen-Paap F）。
对比 Stock-Yogo 临界值表——说明你的工具在什么偏误容忍度下通过了弱 IV 检验。
报告一阶段回归的完整系数表——不只是 F，也包括 $\pi_1$ 的大小和方向是否符合理论预期。
如果有一个以上 IV → 报告过度识别检验（注意：这不直接检验相关性，但过多的、弱相关的 IV 会放大 2SLS 的偏误——使用 LIML 而非 2SLS 可以减少这种偏误）。
如果一阶段 F 不够高 → 使用 LIML 作为主回归，并报告 Anderson-Rubin 弱 IV 稳健置信区间。

四、论证外生性——不能直接被检验，但可以被"围攻"

4.1 根本的困境：排除性限制无法被统计检验

外生性条件 $\text{Cov}(Z, \varepsilon) = 0$ ——Z 只能通过 X 影响 Y——在逻辑上是不可检验的。因为 $\varepsilon$ 包含的是所有影响 Y 且不被 X 中介的未观测因素——你无法观测 $\varepsilon$ ，自然也无法检验它和 Z 是否相关。

这就意味着：任何声称"我用某个检验证明了工具变量的外生性"的说法，都是错误的。 你能做的不是"证明"外生性——而是积累各种来源的证据，让外生性假设变得"更可信"。这需要的不是 p 值，而是叙事、制度和证伪的层层递进。

4.2 论证角度一：制度和理论的叙事——"为什么 Z 如同随机？"

最有力的外生性论证通常来自制度和自然实验的叙事——而不是统计数据。

核心问题是：在你的研究情境中，Z 的变异来源是什么？为什么这部分变异可以被合理地视为"外生推动力"——即为什么它和决定 Y 但未被模型控制的其他因素不相关？

三类最经典的叙事模式：

模式 A：自然实验 / 制度冲击

"联邦法律要求各地区将最低合法辍学年龄从 16 岁提高到 17 岁——这项法律在全国范围内统一推行，不受各地区自身的经济条件或教育水平的直接影响。一个学生是否受这项法律影响，取决于他的出生年份——出生年份在政策实施年份之前或之后。出生年份和政策的交互作用构造了一个外生的受教育年限的变化。"

→ 核心论证：政策的制定和推行是外生的（不是由受影响的个体的行为决定的）+ 政策对个体的影响取决于一个外生于个体控制的特征（出生年份、所在地区等）。

模式 B：距离 / 地理特征

"每个县到最近的两年制大学的距离——大学选址的决策通常取决于数十年前的历史因素（如铁路线、土地捐赠）、而不是当前的当地收入水平或就业率。"

→ 核心论证：历史或地理因素在短期内是固定的——它们不受当期个体行为的影响。

模式 C：随机 / 准随机分配

"Draft lottery（抽签征兵）——生日号码（1—365）的抽签结果是一个完全随机过程。生日号码决定一个人是否被征召入伍（X——是否服兵役），但生日号码本身和个人的任何入伍前特征（家庭背景、教育、能力）都不相关。"

→ 核心论证：Z 的生成机制是一个已知的、可审计的随机过程。

这三种叙事的共同点：它们不是在说"检验表明 Z 和 ε 不相关"——它们在说"Z 的生成过程使 Z 和 ε 的相关在逻辑上不可行"。这才是外生性论证的黄金标准。

4.3 论证角度二：过度识别检验（当你有多个工具变量时）

如果你有至少两个工具变量——且至少有一个是有效的（外生的）——你可以使用过度识别检验（Overidentification Test）来检验：

$H_0: \text{所有工具变量都是外生的}$

原理：如果所有 IV 都是外生的，那么用任意一个 IV 子集估计出的 $\hat{\beta}$ 应该和用另一个子集估计出的 $\hat{\beta}$ 是"接近的（在抽样误差范围内）"。如果某些 IV 是内生的，不同的 IV 子集会给出系统性地不同的 $\hat{\beta}$ ——过度识别检验检测到了这种不一致。

Sargan 检验：在条件同方差下使用。
Hansen J 检验：在异方差或聚类下使用（但少工具变量 + 多内生变量时可能缺乏功效）。

ivreg2 y (x = z1 z2 z3), robust
* Hansen J statistic: p > 0.05 → 不能拒绝"所有 IV 都是外生的"

过度识别检验的三个关键局限（这是你需要知道但不能过度依赖它的原因）：

"不能拒绝原假设" ≠ "证据表明所有 IV 外生"。 样本量不足、IV 之间的共线性、或检验本身缺乏功效都可能使你在 IV 确实内生时得到 p > 0.05。这是一个"沉默的防守"——不是积极的证据。
过度识别检验的可靠性依赖于"至少有一个 IV 有效"的前提。 如果所有的 IV 都内生了——且它们内生偏误的方向恰好相同（如所有 IV 都和一个被遗漏的变量正相关）——过度识别检验可能仍然不显著。这个前提本身就是无法检验的。
当你有许多 IV 时（如 > 5），过度识别检验的功效下降，而 2SLS 在弱 IV 下的偏误增大。 具有讽刺意味的是：更多的 IV 给了你过度识别的自由度——但也可能放大了弱 IV 偏误。

关于过度识别检验的实践建议：如果你有多个 IV → 报告 Hansen J 的 p 值，但不要写"J 检验证明了 IV 的外生性"。正确的措辞是"过度识别检验不能拒绝工具变量外生性的原假设（Hansen J p = 0.42），这与本文基于制度分析的外生性论证一致，但不构成对外生性的独立证明。"

4.4 论证角度三：证伪检验（Falsification Tests）——"假如 IV 应该在某个地方无效，它确实无效吗？"

证伪检验是论证外生性最强有力的方式之一——它不试图直接证明"Cov(Z, ε) = 0"，而是试图在 IV 本应无效的情境中，检验 IV 是否确实无效。

常见策略：

策略 1：在理论上不受影响的样本中测试简约式

如果你的 IV 是"地方教育支出政策变化"——这个政策只应影响学龄儿童的教育结果，不应影响已经毕业的成年人的收入。对样本中年龄 > 25 岁、已完成教育的人群做简约式回归（Y 对 Z 回归）——如果 Z 在这些人群中仍然显著预测 Y → Z 可能通过 X 之外的渠道影响了 Y（外生性被质疑）。

简而言之： $Y_i = \pi_0 + \pi_1 Z_i + \varepsilon_i$ （简约式）在一个"遮断路径"的子样本中—— $\pi_1$ 应该 ≈ 0。如果 $\pi_1$ 显著非零 → 外生性存疑。

策略 2：测试 IV 是否预测了前定变量（Predetermined Variables）

如果 Z 是外生的——它不应该和任何处理前的个体特征系统性地相关。选择一组重要的、在 Z 实现之前已经确定的前定变量（如性别、出生年份、处理前的收入/教育水平），对每个变量用 Z 做回归——看 Z 的系数是否显著。

这种方法类似于 RCT 中的平衡性检验（Balance Test）：在随机实验中，处理组和控制组在处理前的观测特征应该平衡。同理——一个外生的 Z 应该在处理前的特征上是"平衡的"（Z 不能预测这些特征）。

策略 3：使用一个"伪结果"（Placebo Outcome）

找到一个在理论上和 X 无关但和 Y 可能有共同混淆因素的变量——如果 Z 通过除 X 之外的渠道影响 Y，这个伪结果也应该被 Z 预测。如果 Z 不预测伪结果但预测 Y → 支持外生性。

证伪检验的逻辑本质：你向外生性的壁垒发射各种"攻击"——如果壁垒挡住了所有的攻击（所有证伪检验都不显著），你在积累"这个壁垒可能是真的"的证据。但你不能说这个壁垒是不可能被攻破的——你只是没有找到能攻破它的那个攻击。

4.5 论证角度四：排除替代渠道——逐一关闭 Z 对 Y 的其他路径

这是最需要"思考"而非"计算"的部分。对于你的工具变量，画一张从 Z 到 Y 的所有逻辑上可能的因果路径图——然后对每一条非 X 的路径，逐一论证为什么在你的研究情境中，这条路径被关闭或已被控制。

以 Angrist 和 Krueger（1991）——"出生季度"为例：

路径 1（主路径）：出生季度 → 受教育年限（因为义务教育法）→ 收入。✅
替代渠道 1：出生季度 → 入学时的相对年龄（成熟度优势）→ 认知发展 → 收入（不通过教育）。Angrist 和 Krueger 的回应：如果存在这种"相对年龄效应"，它应该在小年级时最强，但随着年级的增长应该消失——但他们在数据中没有看到这种衰减模式。
替代渠道 2：出生季度 → 出生时的季节（营养、光照、母体健康）→ 长期的健康和认知 → 收入。回应：如果存在季节性出生效应，它应该在不同地区和不同时期之间一致——实证中这种效应非常小且不一致。
替代渠道 3：父母的生育计划——特定类型的父母更可能在特定季节生育（如高社会经济地位的父母更倾向于在春天生育）。回应：如果存在这种选择效应，出生季度应该和父母的教育/收入相关——但平衡性检验中未见这种相关。

你在论文中的写法：在你的工具变量章节中，加上一个"排除替代渠道"的小节——"如表 X 所示，IV 和处理前的观测特征不系统性地相关（平衡性），在理论上不应受影响的子样本中简约式不显著（证伪检验）——这些发现并不能证明外生性，但与此前基于制度的论证一致，支持了 IV 的有效性。"

4.6 论证角度五：灵敏度分析——"即使外生性不完全成立，我的结论会不会翻？"

近年来，越来越多实证论文开始加入灵敏度分析——不是声称"IV 是完全外生的"，而是问："如果 IV 不是完全外生的——即如果它有一个很小的、独立于 X 的直接影响——我的结论还站得住吗？"

**Conley, Hansen 和 Rossi（2012）**提供了一个框架：允许 IV 有一个"近似外生"的偏误（plausibly exogenous），然后在 Z 和 ε 之间的相关在某个范围（"支持区间"）内重新估计 β 的置信区间。

直觉：而不是坚持 $\text{Cov}(Z, \varepsilon) = 0$ （完全外生）→ 假设 $\text{Cov}(Z, \varepsilon)$ 在 $[-\delta, +\delta]$ 范围内（近似外生）→ 看看 $\hat{\beta}$ 的置信区间在这个范围内是否仍然排除了零。如果你的结论在合理的 $\delta$ 范围内仍然成立——那么即使 IV 不是完美外生的，你的主要推断仍然可能是稳健的。

这种分析在实证中尚未成为标配——但它代表了一个更成熟、更诚实的对外生性的态度：不只是声称"Z 是外生的"——而是让读者看到，在最坏的合理情况下，你的结论会不会翻。

五、完整的论证框架——从理论到检验的系统路径

5.1 论证相关性的完整路径

├── 1. 理论层面：Z 为什么应该影响 X？经济理论/制度机制是什么？
│
├── 2. 一阶段回归：报告完整的系数表（不只是 F，还有系数大小和方向）
│   ├── 方向和理论预期一致吗？
│   └── 系数的量级合理吗？
│
├── 3. 一阶段 F 统计量
│   ├── F > Stock-Yogo 临界值（指定偏误容忍度）
│   ├── 如果多个内生变量 → Cragg-Donald / Kleibergen-Paap F
│   └── 如果 F 不够高 → 使用 LIML（主回归）+ Anderson-Rubin 稳健置信区间
│
└── 4. 弱 IV 稳健性：LIML + AR 检验 + Fuller 修正

5.2 论证外生性的完整路径

├── 1. 制度/理论叙事：Z 的变异来源是什么？为什么可被视为"外生推动力"？
│   ├── 自然实验/制度冲击？
│   ├── 距离/地理特征/历史因素？
│   └── 随机/准随机分配？
│
├── 2. 统计证伪检验
│   ├── 平衡性检验：Z 是否系统性地预测处理前的个体特征？
│   ├── 证伪检验：在理论上不受影响的子样本中，简约式是否不显著？
│   └── Placebo 结果：Z 是否不预测"伪结果"？
│
├── 3. 排除替代渠道
│   └── 逐一列出 Z 到 Y 的可能路径（除 X 外）→ 逐一关闭或控制
│
├── 4. 如果多个 IV → 过度识别检验（Hansen J）
│   └── 正确措辞："不能拒绝原假设"，而非"证明了外生性"
│
└── 5. 灵敏度分析（可选但推荐）
    └── Conley-Hansen-Rossi：如果允许 Z 有"近似外生"的偏误，结论是否稳健？

5.3 在论文中的呈现顺序

一篇好的 IV 实证论文通常按以下顺序呈现工具变量的论证：

制度背景与 IV 构造（第 3 节）——"我的 IV 从哪来、为什么它可以被合理地视为外生的"——这是全文最重要的部分，通常在数据和基准结果之前。
一阶段回归结果（第 4 节或第 5 节的第一部分）——报告一阶段系数、方向和 F 统计量。
平衡性和证伪检验（同一节的后续部分）——表格式展示"IV 不预测前定特征"和"在不相关子样本中简约式不显著"。
过度识别检验（如果适用，在 2SLS 输出中附带报告）。
弱 IV 稳健性（LIML + AR + Fuller）——在稳健性检验的表格中呈现。

六、常见误区

6.1 误区一："过度识别检验的 p > 0.05 → 我的 IV 都是外生的"

过度识别检验不显著意味着你不能拒绝"所有 IV 都是外生的"这个联合原假设。但"不能拒绝" ≠ "确认为真"。原因有三：（1）检验的功效有限——它可能因为噪音而检测不到系统性的外生性违背；（2）只有在至少一个 IV 有效的前提下，过度识别检验才是有意义的；（3）如果所有 IV 的内生性方向相同——过度识别检验可能仍然不显著。过度识别检验的 p > 0.05 提供的是"没有看到外生性被违背的信号"——而不是"外生性被确认"。这是两种根本不同的结论。

6.2 误区二："一阶段 F > 10 → 弱 IV 不是问题"

F > 10 是 Staiger-Stock 1997 年的经验法则。Stock-Yogo 2005 年的研究表明，即使在 10% 最坏偏误的容忍度下，F 的临界值在大多情况下都高于 10（单个 IV 时需要 16.38）。而 Lee, McCrary, Moreira 和 Porter（2022）建议的替代性 F 阈值甚至更高。在论文中，你应该引用 Stock-Yogo 的临界值而非简单地说"F > 10"——更不要因为 F > 10 就放弃使用 LIML 或 AR 检验。

6.3 误区三："工具变量的外生性是一个统计假设——可以通过数据检验"

外生性是工具变量论证中最核心的部分——而它恰恰是无法被数据完全检验的。你能做的不是"找到正确的检验然后说'看，它是外生的'"——而是积累多种来源的证据：制度叙事 + 证伪检验 + 排除替代渠道 + 过度识别（如果有）+ 灵敏度分析。这是一个综合治理，不是一颗检验的子弹。

6.4 误区四："我有多个工具变量 → 一个通过了过度识别检验 → 所有 IV 都可以用"

2SLS 在多个 IV 下的表现取决于最弱的那个 IV。如果一个 IV 内生，整个 2SLS 估计可能被其污染（尽管方向取决于内生的性质和 IV 的相对强弱）。过度识别检验通过了 ≠ 所有 IV 都安全——仍是那句话，它可能漏掉同方向的内生违背。与其多加 IV，不如精选少数几个、制度上干净且足够强的 IV。更多的 IV 不一定带来更大的安全性——它经常带来更糟糕的弱 IV 偏误（因为弱 IV 间的共线性会被 2SLS 的偏误放大）。

6.5 误区五："证伪检验通过了 → 外生性得到证明"

证伪检验不显著意味着你没有发现外生性被违背的证据——而不是你发现了外生性成立的证据。"未发现罪证" ≠ "证明清白"。这同样是"不能拒绝原假设"和"确认原假设为真"之间的根本性不对称。你的措辞应反映这种谦逊："证伪检验结果未能提供反对 IV 外生性的证据"——而非"证伪检验证明了 IV 的外生性"。

6.6 误区六："只要一阶段 F 大就行了——弱 IV 问题解决"

一阶段 F 大是好事——但如果你的样本量非常大，F 大可能是因为 N，而不是因为 Z 和 X 之间关系的实质强度——这种"大 F"在存在即使是轻微的 IV 内生时会放大 2SLS 的偏误（Bound, Jaeger, and Baker, 1995）。因此，不应仅依赖 F 统计量的数值——也应报告 $\pi_1$ 的大小和方向是否符合理论预期，以及偏 R²（Z 对 X 的额外解释力，在控制了其他变量后）来衡量相关性不仅仅是"统计上显著且 F 大"——也是"经济上相关"。

七、总结

论证 IV 相关性和外生性的七条核心知识：

相关性是可检验的——外生性不可。 这是 IV 论证中最根本的不对称性。相关性有 F 统计量、Stock-Yogo 临界值、LIML 和 AR 检验——你可以量化你的工具变量的强度。外生性没有这样一个终极检验——它需要理论、制度叙事和证伪检验的积累。
相关性不是"F > 10"——而是"F > Stock-Yogo 临界值"。 指定你最坏情况下能容忍的相对偏误（如 10%）→ 查找对应的 Stock-Yogo 临界值 → 报告你的 F 超过了它。如果 F 不够高 → LIML + Anderson-Rubin。
外生性的论证起点是"为什么 Z 如同随机？" 最好的 IV 论文从制度、历史、法律或地理中找到了一个可信的"外生推动力"——然后才用数据和检验来加固它。叙事是骨架，检验是血肉——没有骨架的血肉是无力的。
证伪检验是外生性论证的支柱。 在理论上不应该存在效应的子样本中测试简约式——如果 Z 在这些地方"安静"，它在应该"说话"的地方的可信度就更高。平衡性检验展示 Z 和处理前特征无关。Placebo 结果展示 Z 不预测"伪结果"。
过度识别检验是防御性的——不是进攻性的。 它不能"证明"外生性——它只能"找不到证据来反驳"外生性。如果显著 → 至少有一个 IV 内生（但不知道是哪一个）。如果不显著 → 可能是所有 IV 外生，也可能是功效不足或偏误方向一致。
排除替代渠道需要"思考"，不是"计算"。 画一张从 Z 到 Y 的所有因果路径图 → 对你关心的渠道以外的每一条路径，逐一解释为什么它在你的情境中被关断或已被控制。
灵敏度分析是未来。 不声称 IV 是完美外生的——而是展示"即使 IV 有一个合理的偏误，结论是否还成立？" 这比仅仅报告一个 J 检验的 p 值更诚实，也更有说服力。

一句话收尾：

"工具变量的相关性你可以用 F 统计量来量化——在多大程度上 Z 推动 X。你可以用 LIML、Anderson-Rubin 和 Fuller 修正来保护自己免受弱 IV 偏误的影响。但工具变量的外生性——Z 是否只通过 X 影响 Y——你永远无法用一个检验来回答。你可以展示过度识别检验的 p 值为 0.42，可以展示证伪检验中 Z 在理应无效的样本中确实无效，可以展示 Z 和二十个处理前的特征都不相关——但最终，在那个排除性限制的城堡深处，你需要一个故事。这个故事不是说'统计检验证明了外生性'——这个故事是说'历史、制度和逻辑使 Z 的变异接近于一个自然实验中的随机分配'。而这个故事——不是你的检验——才是你的工具变量在审稿人和读者心中真正'通过'的那个论证。"

八、B站/公众号呈现建议

B站视频：建议用"两道门"作为核心视觉隐喻。开场：一扇门上写着"相关性"，门框旁边有一个精密的仪表盘（F 统计量、Stock-Yogo 临界值，各种数值显示在闪动）。旁白："第一道门的钥匙是统计。一阶段 F = 18.7——超过了 Stock-Yogo 的 16.38 门槛。这扇门有一个精密的锁——你可以用数据和检验来打开它。" 画面走向第二扇门——"外生性"。这扇门上没有仪表盘、没有数值——只有一个故事。门框上写着："出生季度为什么像随机分配？""河流密度为什么和政策偏好无关？""法律推行的时间为什么不受地方经济状况影响？" 旁白："第二道门没有钥匙——你只能说服它自己打开。它问的不是'你这个检验的 p 值是多少'——它问的是'你在什么制度的历史中找到了这个工具？为什么我相信你的故事？'" 第一幕"相关性的阶梯"：逐级展示 F → Stock-Yogo → LIML → AR。F = 14（低于 Stock-Yogo 10% 门槛 16.38）→ 画面出现警告灯。切换到 LIML——警告灯变黄（"LIML 减少了偏误"），旁边出现 AR 置信区间（"对弱 IV 稳健"）。标注："不需要完美才能进门——你有备选武器。" 第二幕"外生性的围攻"：数个"攻击者"（标注"替代渠道""伪结果""处理前特征"）向外生性壁垒发射攻击波。壁垒挡住每一个——画面显示：证伪检验——Z 在不应影响的样本中不显著 ✅。平衡性检验——Z 和 20 个处理前特征都不相关 ✅。过度识别检验——J p = 0.42 ✅。旁白："你不能证明这面墙是打不穿的——你只能展示你用了所有能想到的武器去攻击它，每次攻击都被挡住了。然后你说：'基于现有的证据——外生性在这个案例中是一个合理的假设。'"
公众号：工具变量两大条件的对比表（相关性可检验 vs 外生性不可检验、检验工具、论证方式）做成信息图核心。相关性论证的完整阶梯（F → Stock-Yogo → LIML → AR）做成纵向流程图。外生性论证的五条路径（制度叙事、过度识别、证伪检验、排除替代渠道、灵敏度分析）做成五张论证卡。证伪检验的三种策略（不受影响子样本、前定变量平衡性、Placebo 结果）做成模板卡。过度识别检验的正确与错误表述的对比做成"措辞指南"卡。常见误区六则做成纠错卡。
推荐标题：
- 主标题：《工具变量的相关性和外生性——一个可以检验，一个只能论证》
- 备选标题：《从"一阶段 F > 10"到"排除替代渠道"——工具变量论证的完整框架》
- 新媒体标题：《你找到了工具变量——但审稿人问的这三个问题，你可能只会回答一题》
金句提炼：

"相关性是一扇有钥匙的门——F 统计量、Stock-Yogo 临界值、LIML、Anderson-Rubin。你可以用数据和检验来开这把锁。外生性是另一扇门——门上没有锁，只有一个故事。你只能用制度、历史和逻辑来说服它自己打开。"

"F > 10 是过去的经验法则——但现在你需要的不只是一个手指指向的'大于 10'。引述 Stock-Yogo——指明你在什么偏误容忍度下、你的 F 是否够强。如果不够——LIML 是你的退路，Anderson-Rubin 是你的底线。"

"外生性不能被检验——因为你需要检验的假设包含了一个不可观测的误差项。你能做的不是'找到正确的检验然后完成了'——而是用证伪检验、制度叙事和排除替代渠道构造一个'综合治理'。你不能证明你的工具是干净的——你只能让读者相信，在你用尽一切努力之后，它看起来仍然是干净的。"

"过度识别检验不是外生性的'通过'——它是外生性的'没被驳回'。p > 0.05 意味着数据没有鼓起勇气说'你的 IV 可能是内生的'——但这不等于数据主动说'我确认你的 IV 是外生的'。沉默不等于证词。"

"一个好的工具变量的故事比十个 p 值更有说服力。你说'出生季度如同随机'——这句话的说服力取决于你对义务教育法和辍学年龄制度的描述，而不是你的过度识别检验。检验是外生性论证的卫兵——但故事是国王。卫兵可以有，但没有国王，你打不赢这场仗。"