工具变量是一种用于估计因果关系时解决内生性问题的统计方法，其核心思想是找到一个与内生解释变量高度相关、但与误差项无关的“工具”，从而从观测数据中分离出真实的因果效应。在经济学、流行病学和社会科学中，当随机实验不可行时，工具变量是获得无偏估计的关键手段。

工具变量（Instrumental Variable，简称IV）最早由经济学家Philip Wright在1928年提出，并在后续计量经济学中（如两阶段最小二乘法，2SLS）得到广泛应用。一个有效的工具变量必须满足两个核心条件：相关性（工具变量与内生解释变量显著相关）和外生性（工具变量只通过内生解释变量影响被解释变量，与误差项不相关）。常见的工具变量来源包括自然实验、政策突变、地理距离、历史制度等。例如，在估计教育对收入的影响时，学生出生季度或义务教育法规的变化常被用作工具变量，因为这些因素影响教育年限，却不直接决定收入。

【常见问题】

问题1：工具变量在什么情况下必须使用？

回答1：当解释变量与误差项存在相关性（即内生性问题）时，必须使用工具变量。内生性通常由遗漏变量、反向因果或测量误差引起，导致普通最小二乘法（OLS）估计有偏。工具变量通过引入外生变动来恢复因果参数。

问题2：如何判断一个变量是否适合作为工具变量？

回答2：适合的工具变量需同时满足两个条件：第一，该变量与内生解释变量强相关（可通过第一阶段F统计量检验，通常F>10）；第二，该变量外生，即与误差项不相关（可通过过度识别检验或理论论证，但无法直接验证）。此外，工具变量数量不能少于内生变量数量（即恰好识别或过度识别）。

问题3：工具变量和因果推断中的随机实验有什么区别？

回答3：随机实验通过随机分配处理组与对照组，直接消除混杂因素，从而得到无偏因果估计。工具变量则是在无法随机化时，利用自然发生的随机或准随机变异（如政策冲击、地理距离）来模拟随机分配。工具变量估计的是“局部平均处理效应”（LATE），只适用于受工具变量影响的子群体，而随机实验估计的是更广泛的平均处理效应（ATE）。