工具变量法 IV 与两阶段回归 2SLS

工具变量法 (Instrumental Variables, IV / 诺贝尔经济学奖 Angrist & Imbens 核心贡献) 与两阶段最小二乘法 (Two-Stage Least Squares, 2SLS) 是在存在不可观测的遗漏混杂变量 (Unobserved Confounders) 或存在严重内生性/双向因果 (Simultaneity) 时，唯一能够无偏识别因果效应的计量经济学利器；一个合格的工具变量 $Z$ 必须严格满足三大不可妥协的核心条件：1) 相关性条件 (Relevance: $Z$ 必须强相关于实际处理变量 $D$，一阶段回归 $F$ 统计量 $> 10$ 拒绝弱工具变量)；2) 外生性/独立性条件 (Independence: $Z$ 与未观测的误差项 $\epsilon$ 严格独立，通常由自然实验或随机分配产生)；3) 排他性约束 (Exclusion Restriction: $Z$ 只能通过影响处理变量 $D$ 来间接影响结果 $Y$，绝对不能存在任何其他直接或间接绕过 $D$ 影响 $Y$ 的后门路径)；2SLS 估计：一阶段用 $Z$ 回归出无内生性的外生拟合值 $\hat{D}$，二阶段用 $\hat{D}$ 回归 $Y$ 得到局部平均处理效应 (LATE - Local Average Treatment Effect)。

不遵从实验 (Non-compliance in A/B testing: 如分发优惠券但用户不一定会使用)、价格弹性估计、政策干预评估。

当存在未观测的用户心理动机混杂时，OLS、PSM 和 DiD 全部失效；工具变量法通过引入外生“随机扰动源”剥离出纯净的因果效应。

写出 2SLS 两阶段线性回归方程体系，并证明 Wald 估计量 $\hat{\beta}_{\text{IV}} = \frac{\text{Cov}(Y, Z)}{\text{Cov}(D, Z)} = \frac{\bar{Y}_1 - \bar{Y}_0}{\bar{D}_1 - \bar{D}_0}$ 的代数推导？

局部平均因果效应 (LATE: Local Average Treatment Effect): 在存在 Compliers（遵从者）、Always-takers 与 Never-takers 时，为什么 IV 只能度量 Compliers 群体的因果增益？

弱工具变量检验 (Weak Instrument Problem / Stock-Yogo Test): 为什么当一阶段回归 $F$ 统计量 $< 10$ 时，IV 估计量的方差和偏置会发生灾难性放大？

排他性约束 (Exclusion Restriction) 违背案例：如果在 A/B 测试中以“弹窗通知 (Push Notification)”作为是否使用新功能的工具变量，为什么弹窗本身的打扰效应会直接破坏排他性？

意向性治疗分析 (ITT: Intention-to-Treat) vs 治疗接受者效应 (Treatment-on-Treated, TOT): 为什么产品侧看 ITT（整体业务 ROI），算法侧看 TOT（算法纯净增益）？