M1-060M1: 数学与统计基础因果推断Hard
⚡闪卡盲测➔掌握度:

解释工具变量(IV)与两阶段最小二乘,并说明 LATE 的含义。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-061 →
📐 核心数学机理公式
Y=βT+ε,T=πZ+ν,β^2SLS=Cov(Z,Y)Cov(Z,T)Y=\beta T+\varepsilon,\quad T=\pi Z+\nu,\qquad \hat\beta_{2SLS}=\frac{\mathrm{Cov}(Z,Y)}{\mathrm{Cov}(Z,T)}
⚡ 一句话直击要害答案
IV 通过只影响处理、不直接影响结果的变量识别因果;2SLS 分两步回归;估计的是依从者的局部效应。

📌 核心要点提炼

  • •
    IV 需满足相关性(relevance)与外生性(exclusion)
  • •
    弱工具变量会严重放大偏差

📐 数学机理与严密推导

IV 的思路:当存在未观测混淆(无法用倾向得分等控制)时,找一个变量 Z 满足两个条件——① 相关性:Z 与处理 T 相关(Cov(Z,T)≠0);② 外生性/排除限制:Z 只通过 T 影响 Y,不直接影响 Y,且与未观测混淆无关。此时 Cov(Z,Y)/Cov(Z,T)=β,即用 Z 作为'准随机化'的杠杆。2SLS 实现:第一阶段 T=πZ+ν 回归得到 T̂;第二阶段 Y=βT̂+ε 回归得到 β̂。直观上,2SLS 只用 T 中由 Z 引起的变异(外生部分)来估计对 Y 的影响,从而绕开混淆。经典 IV 例子:用'与大学的距离'作为'是否上大学'的 IV(影响入学但不直接影响收入,需论证)、用'随机化的激励'作为'是否参与项目'的 IV。

🏭 深度剖析与工业落地权衡

三个关键概念:① LATE(Local Average Treatment Effect)——IV 估计的不是 ATE,而是依从者(compliers)的平均效应,即那些'因 Z 变化而改变处理状态'的子群体。这由 Imbens & Angrist (1994) 的单调性假设保证。含义是 IV 的外部效度受限:若政策只影响一小部分人(如只有低收入家庭对学费敏感),IV 估的是这部分人的效应,不能外推到全体。② 弱工具变量问题——若 Cov(Z,T) 接近 0,则分母极小,β̂ 的方差爆炸且偏差被放大(即使 Z 有微小外生性违背也会被极度放大)。诊断标准是第一阶段 F 统计量 >10(Stock-Yogo 规则),或用 Anderson-Rubin 置信区间(对弱工具稳健)。③ 排除限制不可检验——它是 IV 的核心假设却无法用数据检验(因为涉及反事实),只能靠理论论证、安慰剂检验(用不受 T 影响的子样本)与过度识别检验(多个 IV 时)间接支持;这也是 IV 研究最常被质疑的地方。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    把 IV 估计解释为 ATE(实际是 LATE)
  • ✕
    忽视弱工具变量(第一阶段 F<10)导致的偏差放大
🎯 面试官连环追问与延伸考察
  • ?
    如何检验弱工具变量?(第一阶段 F>10)
  • ?
    exclusion 假设为什么不可检验?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-059: 解释双重差分(DID)与它的关键假设。📋 返回题库下一题 →M1-061: 解释协方差与相关系数,相关系数为 0 是否意味着独立?