内生性有三个来源:遗漏变量、反向因果、测量误差。三者都会让 OLS 估计有偏。问题在于,几乎所有的社会经济数据都存在这三类问题,所以真正的问题不是「有没有内生性」,而是「它有多严重、会不会推翻结论」。
一、先判断方向,再判断大小
| 来源 | 典型场景 | 偏误方向(经验判断) |
|---|---|---|
| 遗漏能力 | 教育回报率研究 | 高估教育的作用 |
| 反向因果 | 研发投入与企业绩效 | 双向,通常正向高估 |
| 测量误差 | 问卷自报收入 | 衰减偏误,系数趋向 0 |
| 样本选择 | 只观测到上市公司 | 方向不定,需检验 |
二、四种常见处理方式及其代价
需要相关性与外生性两个条件。相关性可检验(第一阶段 F 值),外生性只能论证,不能检验。弱工具变量会让估计更偏。
依赖平行趋势。必须做事件研究图,展示处理前系数不显著。
依赖阈值附近的可比性。要做操纵检验(密度图)与带宽敏感性分析。
依赖排他性约束,至少要有一个只影响选择、不影响结果的变量。
三、敏感性分析比换方法更有说服力
与其堆砌五种方法,不如把一种方法做透,并系统展示结果对假设的敏感程度。常用做法:改变样本区间、改变固定效应层级、改变聚类层级、剔除特定行业或年份、使用不同的变量度量。如果核心系数符号与显著性在这些变化下保持稳定,结论就可信。
审稿人不会因为你用了 IV 就相信你,他会看你为什么选这个 IV,以及去掉它之后结论还剩多少。
四、写作用语的分寸
- 用「缓解」而不是「解决」内生性问题。
- 不要写「本文证明了因果关系」,写「本文提供的证据支持……的因果解释」。
- 在局限性里明确指出无法排除的替代解释。
- 如果 IV 的外生性存疑,主动做一个「plausible exogeneity」的讨论,而不是回避。
一个常见的失败模式:工具变量第一阶段 F 值只有 6,却在文中写「有效解决了内生性」。审稿人只要看一眼第一阶段表,整篇论文的可信度就没了。
五、机制检验别做成「另一次回归」
机制检验的目的是说明「通过哪条路径起作用」,不是再跑几个回归看显著性。合格的机制检验要满足三点:机制变量在理论上位于处理与结局之间;处理对机制变量有影响;机制变量对结局有影响(或分组后效应差异符合预期)。三点缺一,就只是相关性。