📈 economics

The Generalized Falsification Adaptive Set for Violations of the Exclusion Restriction and Exogeneity

本文通过证明工具变量失效的性质（混杂因素与对撞因子）会对识别产生关键影响，扩展了证伪自适应集（FAS）框架，并提出了一种广义 FAS，该框架能够保证只要至少有一个工具变量保持有效，就能确保包含真实参数。

原作者： Nicolas Apfel, Frank Windmeijer

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Nicolas Apfel, Frank Windmeijer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一名试图破解谜团的侦探：某个特定行为（比如修建高速公路）对某个结果（比如城市的贸易）的真实影响究竟是什么？

为了解决这个问题，你不能仅仅直接观察数据，因为其他隐藏因素可能会干扰你的判断。因此，你会使用被称为“工具变量”（Instruments）的“线索”。这些线索会影响该行为，但除了通过该行为之外，不会直接影响结果。

然而，有时你的线索是有缺陷的。它们可能是“无效”的。这篇论文讨论的是当你的线索出现问题时会发生什么，以及如何依然能找到真相而不被误导。

以下是使用简单类比对该论文思想的拆解：

1. 线索失效的两种方式

作者指出，当一个线索（工具变量）失效时，它会以两种截然不同的方式失败。把它们想象成两类不同的“坏人”：

“干预者”（违反排他性/Violating Exclusion）： 这个线索实际上是结果的一个直接原因，而不仅仅是动作的预测。
- 类比： 想象你试图观察降雨是否导致了交通拥堵。你使用云层作为你的线索。但如果这些云层实际上正带着沉重的负荷在压碎汽车呢？云层不仅仅是在预示降雨，它们在直接压碎汽车。在这种情况下，你必须将云层纳入你的分析中，以控制其造成的直接破坏。
“共谋者”（违反外生性/Violating Exogeneity）： 这个线索受到了你试图避开的那些隐藏秘密（误差项）的影响。
- 类比： 想象你试图观察学习是否导致了好成绩。你使用坐在前排作为你的线索。但如果老师只把最聪明的学生（那些本来就能考好成绩的学生）安排在 front row（前排）呢？这个线索在与隐藏的“聪明才智”进行“共谋”。在这种情况下，你必须完全排除这个线索，否则它会误导你。

核心问题： 之前的研究方法（由 Masten 和 Poirier 提出）假设所有的坏线索都是“干预者”。作者证明了，如果你把“共谋者”当成“干预者”对待（或反之亦然），你的最终答案将会是错误的，并且你可能会不小心丢掉那个真实的答案。

2. “证伪自适应集”（Falsification Adaptive Set, FAS）

当你的模型被“证伪”（意味着线索之间无法完美契合）时，你无法给出一个单一的数值作为答案。相反，你会给出一个可能的答案范围，即如果放宽你的规则一点点，哪些答案可能是真实的。

作者创建了一个新工具，称为广义证伪自适应集（Generalized FAS）。

旧方法： 你必须猜测线索是如何失效的。如果你猜是“干预者”，你会得到一个范围；如果你猜是“共谋者”，你会得到另一个不同的范围。如果你猜错了，真实答案可能会落在你的范围之外。
新方法 (Generalized FAS)： 作者说，“我们不要去猜。”相反，让我们构建所有可能的范围，涵盖每一种线索失效的组合情况。然后，我们取它们的并集（即那个大伞）。

结果： 只要你拥有至少一个相关的有效线索，这个大伞就保证能捕捉到真实的答案，无论其他线索是如何失效的。你不需要预先知道哪些线索是“干预者”，哪些是“共谋者”。

3. “道路与贸易”案例

为了证明这套方法行得通，作者研究了一个关于高速公路与贸易的真实研究。

他们使用了三个历史线索：1947 年的高速公路规划、1898 年的铁路路线以及古老的勘探路径。
数据显示，这些线索并不完美契合（模型被“证伪”了）。
他们计算了这些线索失效的所有可能方式下的范围。
发现： “广义 FAS”是一个宽泛的范围（从 -0.61 到 3.74）。它之所以宽，是因为它涵盖了所有可能性。然而，它是唯一一个能够保证包含真实效应的集合，即使研究人员不知道具体哪条历史路线是“干预者”，哪条是“共谋者”。

4. 总结启示

不要强行把方榫头塞进圆卯眼里： 你不能把所有坏线索都一概而论。有些需要被控制，而有些则需要被剔除。
安全网： 如果你不确定哪些线索失效以及如何失效，不要只选一种方法。使用 Generalized FAS。它就像一个安全网，即使你不知道逻辑漏洞的具体位置，只要你有一个坚实的线索作为起点，它就能捕捉到真相。
警惕“择优挑选”（Cherry-Picking）： 论文警告研究人员不要仅仅挑选看起来很漂亮的窄范围。如果你基于对线索失效方式的猜测来挑选一个窄范围，你可能会错过真相。报告那个考虑了所有可能性的更宽、更安全的范围才是更好的做法。

简而言之： 当你的工具失效时，不要去猜它们是如何失效的。构建一个覆盖了所有可能失效情况的网，这样你才能确保捕捉到真相。

技术摘要：针对违反排他性约束与外生性问题的广义证伪自适应集

问题陈述
工具变量（IV）估计依赖于两个核心识别假设：排他性约束（工具变量仅通过处理变量影响结果）和外生性（工具变量与结果的未观测决定因素不相关）。当基准模型因过度识别限制检验而失效时，研究人员往往缺乏对处理效应 $\beta$ 的点估计。Masten 和 Poirier (2021, 以下简称 MP) 提出了证伪自适应集（Falsification Adaptive Set, FAS）来解决这一问题，通过在避免证伪所需的最小假设放宽条件下，定义了 $\beta$ 的识别集。

然而，MP 的方法假设无效工具变量仅违反排他性约束。本文证明，违反性质至关重要。一个无效的工具变量可能表现为混杂因素（通过对结果的直接影响违反排他性，即 $\gamma \neq 0$ ），也可能表现为共线性因子/碰撞因子（通过与误差项相关违反外生性，即 $\alpha \neq 0$ ）。这两种类型的违反需要截然相反的处理方式：混杂因素应当被控制（作为回归变量纳入），而碰撞因子则应当从分析中排除。本文认为，当工具变量实际上违反外生性（或反之）时，应用 MP 的基于排他性的 $FAS_{excl}$ 会导致该集合可能将真实的参数 $\beta$ 排除在外，即便存在有效的工具变量。

方法论与模型
作者考虑一个线性模型 $Y = X\beta + E$ ，其中 $E = Z\gamma + U$ 且 $cov(Z, U) = \alpha$ 。

排他性违反： $\gamma_\ell \neq 0$ （工具变量 $\ell$ 对 $Y$ 有直接影响）。
外生性违反： $\alpha_\ell \neq 0$ （工具变量 $\ell$ 与误差项相关）。
有效性： 若 $\gamma_\ell = \alpha_\ell = 0$ ，则工具变量有效。

作者推导了针对不同违反模式的具体 FAS：

$FAS_{excl}$ ： 在假设所有无效工具变量仅违反排他性（ $\alpha = 0$ ）的情况下推导得出。该集合通过放宽排他性约束边界（ $|\gamma| \leq \delta$ ）来构建。
$FAS_{exo}$ ： 在假设所有无效工具变量仅违反外生性（ $\gamma = 0$ ）的情况下推导得出。该集合通过放宽外生性边界（ $|\alpha| \leq \eta$ ）来构建。
替代推导： 本文提供了使用总体 2SLS 目标函数的另一种证伪前沿推导方式，明确了这些集合代表了导致非证伪的最小矩条件放宽，而无论具体的违反类型为何。

主要贡献
本文有三个主要贡献：

区分违反类型： 作者表明，对无效工具变量的错误分类（将混杂因素视为碰撞因子，或反之）会导致所得的 FAS 可能排除真实的 $\beta$ 。他们证明了 $FAS_{excl}$ 和 $FAS_{exo}$ 是不同的集合，且两者的选择取决于研究者对违反机制的信念。
模式特定 FAS： 作者为所有可能的工具变量排他性和外生性违反组合推导了模式特定的 FAS。根据假设 6，一个无效工具变量要么违反排他性，要么违反外生性，但两者不同时发生（ $\gamma_\ell \alpha_\ell = 0$ ）。对于 $k_z$ 个工具变量，存在 $S = 2^{k_z}$ 种此类模式。
广义 FAS ( $FAS_G$ )： 为了应对研究者对具体违反模式的不可知性，作者提出了广义证伪自适应集，即所有模式特定 FAS 的并集：
$FAS_G = \bigcup_{s=1}^{S} FAS_s$
他们证明，如果至少存在一个有效且相关的工具变量，并且研究者根据无效工具变量的真实违反模式对工具变量进行了正确的转换，那么真实的 $\beta$ 保证包含在 $FAS_G$ 中。

结果与实证说明
本文利用 Duranton 等人 (2014) 的“道路与贸易”应用来阐释其结果，该应用使用三个历史工具变量来估计州际公路对出口倾向的影响。

证伪： 包含全部三个工具变量的基准模型被证伪（J 检验 p 值 0.043）。
集合的分歧： 实证分析显示 $FAS_{excl}$ 、 $FAS_{exo}$ 和广义集合之间存在显著差异。例如， $FAS_{exo}$ 产生了一个较窄的区间 $[0.13, 1.09]$ ，而 $FAS_{excl}$ 则产生 $[-0.32, 3.16]$ 。
广义集合： 广义 FAS（即所有八个模式特定集合的并集）为 $[-0.61, 3.74]$ 。作者指出，虽然这个区间很宽，但这并非并集操作的人为产物，而是反映了一种特定的违反模式（即一个工具变量是混杂因素，而另一个是碰撞因子），这种模式在不进行进一步假设的情况下无法被排除。
弱工具变量： 本文讨论了 MP 使用的“弱工具变量”截断值（F 统计量 < 10）的影响。根据此截断值剔除被归类为弱的工具变量可能会无意中改变模型设定（例如，通过排除一个本应作为控制变量的工具变量），从而导致 FAS 不再由基准模型的证伪所驱动。

意义与主张
作者并不声称某一种特定的 FAS 在所有语境下都更优。相反，他们认为选择 FAS 必须与违反类型相匹配。

如果研究者对违反类型持不可知态度，则广义 FAS 是合适的选择，因为只要至少有一个工具变量有效且相关，它就能保证包含真实的 $\beta$ 。
如果领域知识允许研究者确定部分或全部工具变量的违反类型，则可以通过模式特定的 FAS 来“收窄”集合，这在弱化程度上比广义集合更精确。
本文强调，在没有理由的情况下选择特定的 FAS（如 $FAS_{excl}$ ）等同于“挑选数据”（cherry-picking），并存在排除真实参数的风险。当基准模型失效且违反模式未知时，建议报告广义 FAS。

1. 线索失效的两种方式

2. “证伪自适应集”（Falsification Adaptive Set, FAS）

3. “道路与贸易”案例

4. 总结启示

类似论文