3.3.3.1 排他性与相关性假设

文档摘要

3.3.3.1 排他性与相关性假设 3.3.3.1 排他性与相关性假设想象一下，你正埋头于一个医疗政策评估项目：某个地区推行“免费疫苗接种日”（工具变量Z），旨在推动疫苗接种率（治疗变量D），最终降低住院率（结果变量Y）。数据到手，IV回归跑出来一个看似惊艳的LATE效应——每多接种一针，住院风险降15%。客户激动地问：“这靠谱吗？”你却暗自捏把汗。因为IV的魔力全靠两大支柱：相关性假设（Z与D强相关）和排他性假设（Z只通过D影响Y，不搞小动作）。一松懈，这些假设就崩，LATE就变“局部平均扯淡效应”。我作为一名实战计量工程师，踩过无数IV坑。最痛的，是排他性检验“假阳性”——明明Z相关性OK，却因隐藏混杂漏判，导致政策建议翻车。