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：你的审稿人说"这个 IV 不够干净"——但你看到 AER 上也在用

你研究"企业数字化转型对生产率的影响"。数字化是内生的——高生产率的企业可能更倾向于投入数字化，你分不清是数字化带来了生产率，还是生产率推动了数字化。

你找到了一个巧妙的工具变量：同行业、同一年份中其他企业的平均数字化水平——行业均值（不含本企业）。逻辑是：

相关性：同一行业的企业面临相似的技术趋势和竞争压力——行业整体的数字化程度和本企业的数字化程度显然高度相关。行业均值对个体有推力——"同行都在数字化，你不数字化的代价变高了"。
外生性：行业整体的数字化程度（在排除了本企业之后）——似乎不应该直接影响本企业的生产率，除了通过推动本企业数字化这条路径。

你跑了一阶段回归——F = 124.6，几乎完美。你觉得这个工具变量太好了——相关性极强、数据可得、逻辑直觉清晰。

然后审稿人写了以下意见：

"作者使用'同行业其他企业的平均数字化水平'作为工具变量。但同一行业的企业共享市场需求、供应链结构、政策环境和技术变迁——这些行业层面的共同因素同时影响行业平均数字化和企业的生产率。即使排除了本企业自身，行业均值仍然可能通过数字化以外的渠道——如行业竞争格局、需求外溢、供应链协同——直接影响企业的生产率。这是一个典型的排除性限制（Exclusion Restriction）问题。作者需要提供更充分的论证来回应这一质疑。"

你盯着这段意见。你知道 AER、JPE、QJE 上有大把论文使用了类似的策略——行业均值 IV、Bartik IV、份额-转移 IV——它们都用更高一层级的聚合变量做工具变量。为什么那些论文能发出来，而到了你这里，审稿人就说"不够干净"？

因为你缺的，不是一个新的工具变量——而是一套关于"为什么行业均值在这个特定的研究情境中外生"的完整论证框架。

核心信息：使用更高一层级变量（行业均值、地区均值、群组均值）作为工具变量时，外生性论证面临一个特有的结构性挑战——行业层面的共同因素可能同时影响行业均值（IV）和个体结果（Y），使得排除性限制无法从数据结构的"排他性"本身自动获得辩护。换言之，你不能仅凭"我用了行业均值且排除了本企业"就声称 IV 是外生的——你需要额外论证为什么那些共同因素在你的设定中已经被控制、不会产生偏误、或即使存在，其影响方向也不是威胁你结论的方向。这一论证的核心策略有四条：（1）拆解行业均值中的变异来源——区分"好的变异"（外生的行业趋势）和"坏的变异"（行业需求冲击）——并使用行业×年份固定效应吸收共同冲击；（2）利用个体对行业均值的差异暴露度而非行业均值本身——Bartik 逻辑的核心是将工具重新定义为"个体初始特征 × 行业共同趋势"而非单纯的行业均值；（3）在行业均值 IV 的基础上加入针对性的证伪检验——证明在不存在 X→Y 路径的子样本中，IV 对 Y 的简约式不显著；（4）控制行业层面的混淆变量并展示结论的稳健性。选择更高一层级变量做 IV 本质上是在利用"群体推力"——但你需要的不仅是推力足够大（相关性），还需要推力不来自那些也会直接推动 Y 的共同因素（外生性）。论证后者需要的不是更多的数据——而是更细致的变异来源拆解和更诚实的证伪设计。

二、"更高一层级 IV"为什么容易受质疑？——从结构上说清楚

2.1 什么算"更高一层级 IV"？

在实证中，四类构造最为常见：

类型	构造方式	经典例子
行业均值 IV（不含本企业）	$\bar{X}_{-i, j, t} = \frac{1}{N_j - 1}\sum_{k \in j, k \neq i} X_{k,t}$	同行业其他企业的平均 R&D，作为企业 i 的 R&D 的 IV
地区均值 IV（不含本个体）	$\bar{X}_{-i, r, t}$	同县其他村的平均教育年限，作为本村教育年限的 IV
Bartik IV（份额-转移 IV）	$Z_{i,t} = \sum_s \omega_{i,s,0} \cdot G_{s,t}$	城市初始行业份额 × 全国行业增长率，作为城市就业的 IV
群组均值 IV	$\bar{X}_{-i, g}$	同班其他学生的平均成绩，作为某学生成绩的 IV

它们的共同特征：IV 的变异来自一个"更高层级的聚合"——行业、地区、群组——而识别建立在"这个聚合变异不影响本个体的 Y（除了通过 X）"的假设之上。

2.2 审稿人的质疑不是"找茬"——它是一个结构性的问题

行业均值 IV 面临一个结构性困境，可以用以下两个方程来精确表述：

结构方程： $Y_{it} = \beta_0 + \beta_1 X_{it} + \mu_{jt} + \varepsilon_{it}$

一阶段： $X_{it} = \pi_0 + \pi_1 \bar{X}_{-i,j,t} + \nu_{jt} + u_{it}$

其中 $\mu_{jt}$ 和 $\nu_{jt}$ 分别是行业×年份层面影响 Y 和 X 的共同因素——如行业需求冲击、行业技术变革、行业政策变化。

审稿人担心的东西可以精确地写成一个"坏的简约式"：

如果 IV 的外生性成立，那么 $\bar{X}_{-i,j,t}$ 对 Y 的影响只通过 X 这条路径。但如果 $\mu_{jt}$ 同时存在于 Y 的方程中（直接影响 Y）且和 $\bar{X}_{-i,j,t}$ 相关（因为行业均值天然包含了行业共同因素）——那么即使你排除了本企业，IV 对 Y 的简约式效应中也包含了一条非 X 的路径。

翻译成白话：行业需求上升 → 行业内所有企业普遍提高数字化投入 → 行业均值（IV）上升。同同时，行业需求上升 → 所有企业的生产率普遍上升（直接效应，不通过数字化）。你的 IV 和 Y 之间的关联中，混杂着"行业需求上升"这个共同驱动力的直接效应——而不是纯粹的"IV → X → Y"的因果链。

2.3 这个困境和经典 IV 有什么区别？

在经典 IV 中——如 Angrist-Krueger 的"出生季度"——Z 的变异来源（出生季度）和 Y 的不可观测因素（能力、家庭背景）之间的相关在逻辑上是不成立的——这是"制度设计"在保护外生性。

在行业均值 IV 中——Z 的变异来源（行业共同因素）和 Y 的不可观测因素（行业共同因素的一部分）之间天然存在重叠。外生性不是由制度保护的——它是被"希望成立的"。而这恰好是审稿人担心的地方：你的外生性论证不能是"我把它排除了"，而必须是"我把它控制了"或"即使它存在，它也不是问题"。

三、论证策略一：拆解变异来源——区分"好的变异"和"坏的变异"

3.1 行业均值中混着两种变异

同一个行业均值 IV 中，包含着两种本质不同的变异：

"好的变异"——外生的行业技术/政策趋势：如全国性的数字化技术成本下降、IT 基础设施普及、互联网渗透率提升——这些因素推动了整个行业的数字化，但它们对企业生产率的直接影响在控制了时间趋势后是微弱的，或至少它们的效应可以被年份固定效应吸收。
"坏的变异"——行业层面的需求/供给冲击：如特定行业的市场需求扩张（"新能源汽车今年爆发了"）——这种冲击同时（a）推动了行业内企业的数字化投资（相关性成立）和（b）直接提高了企业的生产率（外生性被违背——因为需求冲击直接在 Y 方程中）。

论证策略：不是声称"行业均值中没有坏的变异"——而是论证（a）坏的变异在你的模型中已被控制；（b）或者坏的变异和好的变异在方向上可以区分；（c）或者坏的变异的量级不足以改变你的结论。

3.2 加入行业×年份固定效应——吸收"坏的变异"

最直接的方式是在回归中加入行业×年份固定效应（ $\lambda_{jt}$ ）：

$Y_{it} = \beta_0 + \beta_1 X_{it} + \lambda_{jt} + \text{controls} + \varepsilon_{it}$

$\lambda_{jt}$ 吸收了每一年内每个行业所有企业共有的任何因素——包括行业需求冲击、行业技术变革、行业政策——无论它们是观测到的还是未观测到的。

加入 $\lambda_{jt}$ 后，你的识别变异来自哪里？

不是"行业 A 在 t 年的数字化程度 vs 行业 B 在 t 年的数字化程度"（被 $\lambda_{jt}$ 吸收了）。
而是同一个行业同一年份内，不同企业之间的数字化差异——为什么在同一个行业、同一年，有些企业数字化的更多，有些更少？你的 IV 需要解释的就是这个"同行同年内"的差异。

但这里产生了一个新的张力：如果你加入了行业×年份 FE，行业均值 IV 的变异中"行业层面的共同部分"已经被吸收——剩下的变异是"排除了本企业后，同行同年内其他企业之间的均值"。这个剩下的变异还可能和本企业的市场地位、竞争策略等相关——这些因素同样可能直接影响 Y（产出）。外生性的问题转移到了"同行同年内的差异化均值是否还包含非 X 路径的影响"——但它毕竟比原来的问题更可防御了，因为最明显的"坏的变异"（行业需求冲击）已经被吸收。

实践建议：在论文中明确展示有无 $\lambda_{jt}$ 时一阶段和简约式的变化——证明在吸收了行业共同因素后，IV 仍然有足够的相关性，且简约式系数的变化方向和量级符合"移除了行业需求冲击的直接效应"的理论预期。如果加入 $\lambda_{jt}$ 后一阶段 F 大幅下降（从 100+ 降到 5—10），说明 IV 的大部分变异来自行业层面的共同变异——而这恰好是审稿人担心的"坏的变异"。你需要接受这个诊断，并在论文中坦诚讨论。

3.3 加入行业特定的时间趋势

比行业×年份 FE 稍弱但节省自由度的替代方案：

$Y_{it} = \beta_0 + \beta_1 X_{it} + \gamma_j \cdot t + \delta_t + \text{controls} + \varepsilon_{it}$

允许每个行业有自己的线性（或非线性）时间趋势。这吸收了行业内缓慢演变的需求和技术变化——但不是每一年的离散冲击。适用于 T 不大、行业数量较多的情况。

四、论证策略二：从"行业均值"到"差异暴露度"——Bartik IV 的逻辑

4.1 Bartik IV 的核心思路

Bartik（1991）的工具变量——"份额-转移"（Shift-Share）IV——是对行业均值 IV 的一种精巧改进。它的构造是：

$Z_{i,t} = \sum_{s} \omega_{i,s,0} \cdot G_{s,t}$

其中 $\omega_{i,s,0}$ 是个体 i 在基期（通常远在样本期之前）在行业 s 中的份额， $G_{s,t}$ 是全国层面行业 s 在 t 期的增长率（或总量变化）。

举例：城市 i 在 1980 年的各行业就业份额（ $\omega_{i,s,1980}$ ）× 全国各行业 1980—2020 年的就业增长率（ $G_{s,t}$ ）→ 城市 i 在 t 年的"预测"就业增长。→ 这个"预测"就业增长被用作城市实际就业增长的 IV。

4.2 Bartik IV 为什么比行业均值 IV"更干净"？

行业均值和 Bartik IV 的关键区别在于变异的来源：

行业均值 IV： $\bar{X}_{-i,j,t}$ ——变异来自当期行业层面的所有因素（好的 + 坏的混在一起）。
Bartik IV： $\sum_s \omega_{i,s,0} \cdot G_{s,t}$ ——变异来自基期份额（ $\omega_{i,s,0}$ ，在样本期前就已经固定）和全国趋势（ $G_{s,t}$ ，全国层面而非行业层面）的交互。

Bartik IV 把"坏的变异"（行业当期的需求/供给冲击）排除在了 IV 之外——因为 $G_{s,t}$ 是全国趋势，不是行业特定趋势。而 $\omega_{i,s,0}$ 是基期的——不受样本期内行业冲击的影响。外生性论证的核心转移到了：

$G_{s,t}$ （全国趋势）是否外生于个体的 Y？——全国层面的宏观趋势通常可以被年份 FE 吸收。
$\omega_{i,s,0}$ （基期份额）是否外生？——基期份额本身可能和基期的 Y 相关，但它是基期的——不反映样本期的冲击。

这就是为什么 Bartik IV 在实证中比单纯的行业均值 IV 更受欢迎——不是因为它一定有更强的相关性（实际上 Bartik IV 的一阶段 F 通常比行业均值 IV 低），而是因为它的变异来源在结构上更清洁——"坏的变异"被更彻底地排除了。

但 Bartik IV 有它自己的挑战：Goldsmith-Pinkham 和 Sorkin（2024）系统性地展示了 Bartik IV 的识别在本质上等价于以基期份额为工具的 GMM——外生性的论证最终依赖于"基期份额是外生的"这一假设（类似于行业均值的排除性限制）。所以 Bartik 不是规避了行业均值 IV 的问题——它是把问题从"当期行业冲击"转移到了"基期份额的初始条件"，但外生性的需求并没有消失——它只是被推到了更早的时间点。

4.3 从 Bartik 逻辑中学到的——构造"更干净"的更高层级 IV

无论你是否使用 Bartik 这种特定的形式，Bartik 的方法论给你的启示是：

用"基期的、在样本中不再变化的个体特征"作为对行业趋势的暴露权重——而不是用当期的、可能内生于 Y 的暴露权重。
用"更高层级的共同趋势"（全国的、宏观的）而不是"本行业的当期趋势"——把"坏的变异"的来源推向更宏观的层面，在那里它更容易被年份 FE 吸收。

五、论证策略三：证伪检验与"不可影响的子样本"

5.1 行业均值 IV 特有的证伪检验

证伪检验的核心逻辑是：找到一个在理论上 X 对 Y 的路径被切断或天然不存在的子样本——如果 IV 在这个子样本中仍然预测 Y → 说明 IV 通过 X 之外的渠道影响了 Y → 外生性存疑。如果 IV 在这个子样本中显著减弱或消失 → 支持外生性。

针对行业均值 IV，以下证伪检验尤其有用：

检验一：在"数字化（X）不太可能影响生产率（Y）"的企业中测试

某些企业的生产率可能更多地由非数字化因素决定——如自然资源依赖型企业（矿业、农业）、高度管制的公用事业等。在这些企业中，数字化对生产率的理论路径较弱甚至不存在。在这个子样本中，如果 IV（行业均值）仍然显著预测生产率 → 说明 IV 可能通过数字化以外的渠道影响了生产率（如行业需求冲击）→ 外生性存疑。

检验二：以"行业均值的滞后值"作为 Placebo IV

如果行业均值 IV 只通过推动本企业的 X（当期数字化）来影响 Y（当期生产率），那么行业均值的未来值（t+1 期）在控制了当期行业均值后，不应该对当期的 Y 有额外解释力。为什么？因为未来的行业均值不可能穿越时间回去推动过去的 X。如果未来行业均值确实预测了当期 Y → 说明行业均值中包含了一个持续性的、直接作用于 Y 的混淆因素（如行业的长期需求趋势），而非仅通过 X 的路径。

具体做法： $Y_{it} = \beta_0 + \beta_1 X_{it} + \beta_2 \bar{X}_{-i,j,t+1} + \lambda_{jt} + \varepsilon_{it}$

检验 $\beta_2 = 0$ 。如果 $\beta_2$ 显著 ≠ 0 → 行业均值中包含了不通过当期 X 的持久性混淆因素（如行业需求趋势）→ 外生性存疑。

检验三：在"进入/退出"企业中测试

一家企业进入一个行业的时间点不同——某些企业是行业的老牌玩家，某些刚进入。如果行业均值 IV 主要通过"行业技术趋势→企业 X→企业 Y"这条路径运作——那么对于刚进入行业的企业，行业均值对 Y 的效应应该比老牌企业更强（因为它们更依赖行业趋势来设定自己的 X）。如果老牌企业和新进入企业在简约式上没有差异 → 这不一定推翻外生性。但如果老牌企业的简约式反常地强于新进入者 → 说明行业均值的持续性混淆成分在起主导作用。

5.2 证伪检验的呈现

在论文的"工具变量有效性"一节中，证伪检验通常以表格形式呈现，每一列是一个证伪检验的设计和结果。关键的措辞不是"这些检验证明了 IV 的外生性"，而是"这些检验未能发现反对 IV 外生性的证据"。

六、论证策略四：控制行业层面的混淆——在被质疑之前先自己动手

6.1 直接放入行业层面的控制变量

如果审稿人担心"行业需求冲击"同时影响行业数字化和企业生产率——为什么不直接把行业需求冲击作为一个控制变量放入模型中？将行业需求冲击放入模型后，行业均值 IV 中"通过行业需求冲击影响 Y"的那条路径被显式关闭。

当然，你无法测量所有的行业层面混淆因素——但你可以测量一些重要的，并把它们放入回归中：

* 行业需求：行业总销售额增长率
* 行业竞争：行业 HHI 指数
* 行业政策：行业是否享受税收优惠
* 行业技术：行业平均专利数量
 
reghdfe y (x = iv), absorb(firm year) first
* 在第二阶段的回归中也放入这些行业层面的控制变量

6.2 展示"加不加入行业控制变量，结论一致"

将行业层面的控制变量逐步加入你的模型，展示 IV 系数的变化——如果加入控制变量后 IV 系数几乎不变 → 行业混淆因素不是主要推力；如果加入后 IV 系数大幅变化 → 行业混淆因素在起重要作用，你需要在文中讨论这一发现及其对结论的影响（结论在多大程度上仍然成立）。

这是一个诚实的诊断——而不是假设它们不存在。

七、论证策略五：与已有文献中的论证对标——"我的工具在他们的框架中也是合理的"

7.1 引用方法论文献中的论证框架

行业均值 IV 和 Bartik IV 的方法论文献在过去十年中有了大量讨论。如果你的 IV 构造和这些已有文献中讨论的结构相似——引用这些文献中的论证框架来支撑你自己的外生性论证：

Goldsmith-Pinkham, Sorkin, 和 Swift（2020）：Bartik IV 等价于以基期份额为工具的 GMM——外生性论证等价于基期份额和误差项不相关。
Borusyak, Hull, 和 Jaravel（2022）：Bartik IV 的识别可以等价地表述为"全国行业冲击是外生的"——而非份额的外生性。如果你的 IV 可以重新表述为"外生冲击 × 差异暴露"的结构，外生性论证可以集中于冲击的外生性。
Adão, Kolesár, 和 Morales（2019）：在份额-转移 IV 设计中，标准误应该聚类到冲击的层面而非个体的层面——这一建议同样适用于行业均值 IV（如果行业需求冲击是相关的，应至少在行业层面聚类或在双向聚类的框架下进行推断）。

7.2 不要把引用当作替代——它是背景，不是答案

引用这些文献是好的背景——但它们不能替代你对你的特定 IV 在你的特定研究情境中的外生性论证。审稿人会读这些方法论文献——他们知道 Bartik 等价于某种 GMM，也知道 Borusyak et al. 的重新表述。你需要在他们的框架中，结合你的数据、你的行业、你的研究设计——展现你的论证。

八、常见误区

8.1 误区一："我排除了本企业 → 行业均值就是外生的了"

排除本企业（Leave-one-out）解决了"机械相关"的问题——即企业的 X 同时出现在 IV（行业均值）的分子和 X 中，产生一种纯粹由构造方式产生的伪相关。但排除本企业不能解决"行业共同冲击同时影响行业均值和个体的 Y"的问题。排除本企业是必要条件，不是充分条件。它是一个构造细节，不是一个外生性论证。

8.2 误区二："行业均值 IV 的一阶段 F 很高 → IV 很好"

F 高只说明行业均值和企业个体的 X 有很强的相关——这从来不等于外生性。事实上，行业均值 IV 的 F 往往很高，恰恰是因为行业均值中包含了大量的行业共同冲击——而这些冲击可能恰好也是审稿人担心的"坏的变异"。 高 F 在这种情况下是一把双刃剑——它既是相关性的证据，也是外生性可能不成立的信号（如果行业共同冲击在起作用）。

8.3 误区三："我放了行业 FE → 已经控制了行业层面的混淆"

行业 FE 控制了不随时间变化的行业特征——如行业的技术密集度、进入壁垒等。但它不能控制时变的行业冲击——如行业需求的年度波动、行业政策的变化。这些正是行业均值 IV 面临的核心威胁。加入行业 FE 还不够——考虑加入行业×年份 FE 以吸收时变的行业混淆。（但要接受这可能会降低一阶段 F 的现实——因为行业均值的大部分变异来自行业×年份的层面。）

8.4 误区四："我的 IV 和某个 AER 上的 IV 构造一样 → 所以它是有效的"

同一类 IV 构造方法在不同的研究情境中，外生性论证的充分性可能完全不同。行业均值 IV 在"数字化转型"中有效，不意味着它在"企业慈善捐赠"中也有效——因为行业共同冲击在两种情境中的作用方式、程度和方向可能完全不同。外生性是研究情境特定的——不是方法论特定的。验证一个 IV 的不是"前人用过"，而是"你在你的数据和情境中论证了它在这个特定关系中的排他性"。

8.5 误区五："Bartik IV 解决了行业均值 IV 的所有问题"

Bartik IV 把"坏的变异"的担心从"当期行业冲击"转移到了"基期份额是否外生"以及"全国冲击是否外生"。但 Bartik 不是魔法——它仍然需要外生性论证。Goldsmith-Pinkham 和 Sorkin（2024）展示了 Bartik 等价于行业均值的 GMM——这意味着两种方法共享同一个外生性问题的核心。Bartik 的优势在于它让外生性的论证在数据中更可行——因为基期变量和全国冲击的性质比当期行业均值更清晰、更容易论证。但它是让论证变得更可行——不是让论证变得不必要。

九、总结

用更高一层级变量做工具变量时外生性论证的五条核心策略：

拆解变异来源——区分"好的"和"坏的"变异。 行业均值中混着行业技术趋势（好的——可通过年份 FE 吸收）和行业需求冲击（坏的——同时影响 IV 和 Y）。加入行业×年份 FE 吸收共同冲击，并展示一阶段 F 在 FE 加入前后的变化——这本身就是一个有信息量的诊断。
从行业均值走向差异暴露度——Bartik 逻辑。 将 IV 重新定义为"基期个体特征 × 全国趋势"的交互，而非"当期行业均值"。这样 IV 的变异来源从行业当期冲击（可能有内生性）转移到全国趋势（更容易被年份 FE 吸收）+ 基期特征（在样本期前就固定了）。
设计针对性的证伪检验。 在 X→Y 路径不通或较弱的子样本中检验简约式——如果 IV 在这些子样本中无效，在全部样本中有效 → 支持外生性。用未来行业均值作为 Placebo IV——如果未来 IV 在控制了当期 IV 后仍然预测当期 Y → 存在不通过当期 X 的持久性混淆因素 → 外生性存疑。
直接控制行业层面的混淆，展示结论稳健。 不假设它们不存在的——把它们放进回归、展示系数在加入后是否变化。如果结论在不同控制变量集下稳定 → 行业的混淆因素不是主要推力。
在各方法论文献的框架中定位你的外生性论证。 引用 Goldsmith-Pinkham-Sorkin（份额外生性）、Borusyak-Hull-Jaravel（冲击外生性）、Adão-Kolesár-Morales（推断层面）——不仅是为了文献回顾，是为了在这些框架中为你的特定 IV 提供论证结构和推断方法。

一句话收尾：

"用行业的均值来撬动个体的 X——这个策略的相关性从来不缺。缺的是你能不能在行业均值的变异中，画一条线，线左边是'推动 X 但不直接碰 Y 的外生推力'，线右边是'同时推动 X 和 Y 的行业共同冲击'。排除本企业只是画线的前提——它不是线本身。画好这条线，你需要行业×年份 FE 吸收掉最明显的共同冲击，需要 Bartik 逻辑把变异来源推到更早的时间点，需要证伪检验帮你在 X→Y 不通的子样本中找到'不通'的证据，需要你把行业层面的混淆直接放进模型、展示它们不是推力。做完这些——你不是在声称你的 IV 是一个完美的外生工具。你是在说：'我花了很多时间攻击它——它没有被攻破。基于这个记录，外生性是一个比任何替代假设都更合理的解释。'"

十、B站/公众号呈现建议

B站视频：建议用"行业均值的两面"作为核心视觉隐喻。开场：一个行业均值大球被切开——左半边是蓝色（"好的变异"——外生的技术趋势），右半边是红色（"坏的变异"——行业需求冲击）。一根线连着蓝色半边 → X，一根线同时连着红色半边 → X 和 Y。旁白："行业均值是一把双刃剑——它的一面对着企业数字化（相关性），另一面可能同时对着企业生产率（外生性威胁）。排除本企业只是把剑锋从你自己身上移开——但红色的那一面还在剑里。" 第一幕"拆解变异"：行业×年份 FE 出现，红色的半边被吸收（衰减），蓝色半边保留。画面展示 F 统计量从 124 降到 18（仍然够强）。标注："行业×年份 FE 吸收了共同冲击——IV 的变异从'行业间的差异'变成了'同行同年内企业的差异'。F 降了，但留下的变异更清洁了。" 第二幕"Bartik 逻辑"：行业均值被拆成了两块——基期份额（锁定的、不随时间变化）和全国趋势（上升的平滑曲线）。两者相乘 = Bartik IV。标注："Bartik 把'坏的变异'的来源从行业当期推到了全国趋势——而全国趋势可以被年份 FE 吸收。它没有消除外生性论证——它把论证推到了一个更清晰、更可防御的地方。" 第三幕"证伪检验"：三个子样本——子样本 A（资源型企业，X→Y 通路弱）中，简约式不显著。子样本 B（高度竞争企业，X→Y 通路正常）中，简约式显著。画面从两个子样本中拉出对比。标注："如果 IV 在 X→Y 通不了的地方'不通'——在 X→Y 通的地方'通'——那 IV 更像是在通过 X，而不是绕过 X。"
公众号：行业均值 IV 的四种构造成大类表（行业均值、地区均值、Bartik、群组均值）做成参考卡。"好的变异 vs 坏的变异"的分类对比做成信息图核心——每种变异的来源、例子、控制策略。从行业均值 → 行业×年份 FE → Bartik 的递进逻辑链条做成"清洁度升级"图。四个证伪检验的设计模板（子样本、未来 IV、进入退出、动因替代）做成四张策略卡。常见误区五则做成纠错卡。与 Goldsmith-Pinkham-Sorkin、Borusyak-Hull-Jaravel、Adão-Kolesár-Morales 三篇方法论文献的"论证框架对应表"做成学术背景卡。
推荐标题：
- 主标题：《用行业均值做工具变量——审稿人说不够外生，你该怎么回应？》
- 备选标题：《排除本企业 ≠ 外生——行业均值 IV 的"好变异"与"坏变异"》
- 新媒体标题：《F = 124.6 的工具变量——审稿人为什么还是拒绝了它？》
金句提炼：

"排除本企业不是外生性的保证——它只是移除了一个机械的相关。行业需求冲击仍然压在行业均值和企业结果之间——你只是剔除了自己被自己影响的那种伪相关，但你没剔除整个行业被同一只手推动的那种真正的内生性。"

"行业均值 IV 的高 F 是一把双刃剑——它既是你需要的相关性，也可能恰好是你害怕的混淆。行业需求上升 → 全行业数字化提高 → 你的 IV 上升、你的 X 上升。行业需求上升 → 全行业产出提高 → 你的 Y 上升。IV 和 Y 之间的关联中，多少来自 X 这条路，多少来自需求直接推 Y 那条路——高 F 无法回答这个问题。"

"Bartik IV 不是行业均值 IV 的'升级版'——它是行业均值的'变体'，把外生性的论证从短期的行业冲击转移到了长期的历史条件。它没有让外生性变得更"真"——它只是把问题摆到了光线更好的地方，让你更容易看清论证的薄弱之处在哪里。"

"证伪检验不是'证明外生性'——它是'暴露内生性的努力，失败了'。你在 X→Y 不通的子样本中测试简约式、你在用未来行业均值攻击当期的模型——这些攻击没成功。这不等于你的 IV 是完美的。但比不说'它一定是完美的'、不加检验——你已经走在了更诚实的道路上。"