详细内容或原文请订阅后点击阅览
工具变量——好的和坏的
从（理想、自然或准）实验对不同的环境、群体或目标系统进行适当的推断并不容易。 “它在那里有效”并没有证据表明“它在这里也有效”。因果背景假设必须是合理的，并且在没有出口许可证的情况下，分析自然时使用的“严格”和“精确”方法的价值[...]
来源:Lars P Syll工具变量 — 好与坏
从（理想、自然或准）实验对不同的环境、群体或目标系统进行适当的推断并不容易。 “它在那里有效”并没有证据表明“它在这里也有效”。因果背景假设必须是合理的，如果没有出口许可证，分析自然实验时使用的“严格”和“精确”方法的价值往往小得令人绝望。由于工具变量（IV）分析所依据的核心假设永远无法直接检验，因此我们这些使用工具变量来研究因果关系的人必须始终捍卫我们因果推论所依赖的假设的有效性。特别是在处理自然实验时，当我们提出的因果结论没有令人信服的关于假设合理性的论证时，我们应该保持谨慎。如果您的目标是得出因果推论，则必须依赖可靠的数据生成过程理论。因果分析提供的实证结果仅与对该过程所做的假设一样合理。
还应该指出的是，许多经济学家在使用工具变量分析时，错误地认为用残差与自变量不相关的假设代替残差与自变量不相关的假设就可以解决内生性问题。它不一定这样做，也不会自动改进因果分析。
一个共同的起点是“反事实方法”，主要由 Neyman 和 Rubin 开发，通常通过随机对照试验、自然实验、双重差异、匹配和不连续性回归等研究设计来说明。
主流经济学家普遍欢迎方法论工具箱的这种扩展。我不太相信，因此将概述对随机化方法的一些批评。
测试结果 = 20 + 5T,