谁在牵着谁走
把冰淇淋和夏天放回桌上。你现在已经知道：相关会撒谎，模型会简化，价值判断要另开门。可你仍然想回答一个事实庭的问题：如果我只扳动 ， 会不会变？我们关心的，其实就是“因果效应”本身——单独操作一个变量，其它都不变时，另外一个变量会怎么反应。
这句话有个听起来很技术的名字：识别（identification）。别被它吓到。识别不是一种花哨的回归技巧，它背后的问题是：凭我能观测到的数据差异，我到底能不能把“ 的作用”从“夏天的作用”里拧出来，也就是说，区分清楚谁影响了谁。要是拧不出来，就算回归结果的系数再漂亮、P值再小，也只是变量们一起跳的分数，远不能证明因果。
经济学里，把拧不出来的那种麻烦，叫做“内生性”（endogeneity）。名字听着吓人，其实你已经见过：解释变量和那个打包了一切未被模型解释的、乱七八糟的误差项在一起起舞。比如冰淇淋的销量和中暑人数看起来高度相关，但这很可能是因为“夏天”这个未被控制的共同因素在作祟。如果和误差项在一起跳舞（也就是相关），普通最小二乘回归（OLS）给你的就不是“只改 的后果”，而是“ 跟着夏天等一堆变量一起变时，账本上的合计”。这会让我们高估或低估真正属于的作用。换句话说，内生性让我们无法分清究竟是谁在牵着谁走。
先把接线板看懂
想象一块复杂的接线板，每个变量都是一个插口，比如“教育”、“家庭背景”、“能力”、“健康状况”，还有“工资”。你现在的研究问题，其实就是想搞清楚：从“教育”这个插口到“工资”插口之间，是否真正有一条单独的电流，能让我们看到教育对工资的直接影响？还是说，电流在中间被其他插口分流、干扰，最后到达工资时，早就混杂了来自其它变量的能量？判别出这条真实的因果电流，就是我们识别因果效应的起点。
可教育旁边还插着：家庭资源、能力、健康、本地劳动市场。它们同时也插进工资。你若只比较“读书多的人”和“读书少的人”，你比较的是整捆电线，不是教育这一根。多读一年的人，往往家里更能供得起、学校更好、身体更扛得住长时间训练。工资差里混着这些东西。
用潜在结果说一遍。每个人有两个工资：
一个是多读那一年时的工资，一个是不多读时的工资。因果效应是它们的差。麻烦在于：你永远只能看见其中一个。读书的人，你看见的是 ；没读的人，你看见的是别人的 。两组人若本来就不一样，差出来的就不是效应，是挑选。
你可以把它拆成两截：
识别，就是想办法让第二截接近零，或者把它单独估出来再减掉。估计软件很会算第一项加第二项的总和。它不会告诉你两项各占多少。
识别失败的典型症状不是“系数不显著”，而是“你比较的根本不是同一种人的两条人生”。显著只说明这堆差异很整齐，不说明它是你想要的那一根线。
所以识别先于回归。你还没说清“对照是谁”之前，多加几个星号，只是把挑选描述得更精确。
为什么识别比估计更先
有经验的经济学者喜欢把研究拆成两步走：
识别策略（Identification Strategy）：
想清楚你要分析的“差异”到底是从哪儿来的？比如：
- 这差异是因为本来就有某种选择，还是外部有某个政策、意外或自然实验导致的？
- 有没有可能混了别的变量或影响？
- 谁是对照组，谁是处理组，对比到底公平吗？
统计估计（Statistical Estimation）：
在“识别”搞清楚以后，才开始选择合适的回归、加固定效应，或者换各种稳健标准误，把结果量化出来。
很多人习惯一上来就调回归模型，其实那是第二步。第一步，永远应该先追问：你观测到的差异究竟是怎么产生的？只有搞清楚“因果线”是否合理，后面才谈得上统计推断。
差异如果来自“愿意读书的人自己选了读书”，那是选择。差异如果来自“法律强迫某一批人多读几个月”，那才开始像一次外界的扳动。后面会把这种扳动叫做工具变量。眼下你只要分清：估计是把数字算出来，识别是解释这个数字凭什么等于因果。
一个公式能帮你看见遗漏变量有多狠。真模型是：
你却只回归了 ，把 丢进误差。于是你得到的不是 ，而是 加上一截 通过 渗过来的污染。污染的方向取决于两件事： 自己对 的作用 ，以及 和 绑得有多紧。两者同号，你会把效应估大；两者异号，符号都可能翻面。
就是夏天。教育研究里的能力、家庭，最低工资研究里的地方景气，广告研究里的同时降价，都是 。样本变大不会把它变小——只会让被污染的那个数字更“显著”。
下面这个滑块让 的强度从弱到强。看着系数怎么走，比背公式更直观：夏天一上场，教育那根线就开始掺假。
你学识别，是为了在符号翻转之前，先问 在不在。不问这一句，后面所有精巧的标准误都只是给一张糊涂账配上精密的误差条。
内生性的三张脸
内生性不是一种病，是一类家族。它们的共同点是： 的差异里，混进了不该算在 头上的东西。脸不同，拧线的手法也不同。
遗漏的共同原因
最常见。夏天、能力、景气。治疗看起来有两条：找到共同原因并控制它；或者找到一次不经过它的外生扳动。
控制这条路最诱人，也最险。你控制的变量可能是机制的一环，切掉它等于切掉你要研究的路。外生扳动更干净，但更难找——义务教育年限改革、突然的政策门槛、一次真正的随机化，都是在找“不是自己选出来的差异”。
反向的电流
犯罪多的城市警察也多。是警察制造了犯罪，还是犯罪把警察招来了？外商直接投资高的地方增长也快：是资本推高了增长，还是增长把资本吸进来了？健康的人医疗支出低：是少花钱让人更健康，还是健康的人根本不用花钱？
也在推 。普通回归分不清。你需要时间上的隔离、一个只冲击 的事件，或者后面会讲到的工具。没有这些，你最多能说“它们绑在一起”，不能说“牵着走的是哪一只手”。
测量把线接错
你想量“努力”，实际量了“加班时长”。加班时长还反映公司文化、行业惯例、谁不敢按时下班。误差若与 相关，线就接错了。尺子后面有专章。这里先知道：内生性不一定是世界的错，也可能是你量错了口。
三张脸经常叠在同一张表里。最低工资论文里，地方景气是共同原因，企业可能因销售下滑才压低工资（反向），而“就业”若量成了参保人数，尺子本身也会动。识别策略要说清：你打算先对付哪一张脸。
门上不写术语。真正的理解，是你走入一间暗室，不靠名词标签，也能从浮雕的形状读出：哪里藏着共同原因，哪些箭头是在对撞，是不是有把弯掉的尺子量错了东西。你要练到，即使没有术语提示，也能一眼看清是哪一张“脸”在作怪。
“控制”不是万能插座
初学者最爱说：那我把能想到的变量都加进回归。于是回归里出现二十个人口特征、五十个行业虚拟变量。表格变得很宽，心却更虚。宽表很像勤奋。它常常只是把偏误换了一种形状。
控制要有效，必须满足一个很苛刻的图像：在这些变量取值相同的人里， 的剩余差异，像随机分配。这叫条件独立。听起来像实验，其实是在说：你相信自己已经把夏天按住了。这一句是信念，不是软件输出。你可以用故事、制度、时间顺序去辩护它，不能用“我已经控制了 个变量”来证明它。
你按不住的时候，多控制只会换一种偏误。坏控制尤其阴险。例如你研究教育对工资的效应，却把“职业”也控制了。职业常常是教育发挥作用的通道：多读几年，才进得了某些岗位，岗位才带上工资。你把通道切断，等于问“教育在不能改职业的平行宇宙里还有没有用”——那可能不是你原来的问题。
先画箭头，再决定按住还是放过：
- 共同原因：同时指向 和 。按住它，比较才更像“只差 ”。
- 机制通道：在 之后、通往 。研究总效应时不要随手掐断。
- 后果变量：发生在 之后，或被 和 共同决定。加进去可能打开一条更脏的后门，而不是关上夏天。
控制变量不是越多越科学。先画箭头：它是共同原因，才考虑按住；它是机制通道，就别随手掐断。
通道被剪断之后，你其实已经在回答另一个和原本设想不一样的问题了。你想研究的是教育影响工资的整体效果，可一旦把“职业”这样的中间通道当成控制变量切掉，实际估出来的只是“在不能改变职业的情况下，教育还剩下多少影响”。这个新问题和你最初关心的，大概率并不是一回事。
所以，动手分析前，最好把所有变量重新过一遍：哪些是应该控制的共同原因，哪些属于不能随意碰的机制通道，还有哪些变量一旦控制反而会把问题改得面目全非。实在分不清楚的时候，宁愿先放一放，也不要一股脑全扔进回归里。正确分拣变量，是问清楚到底在研究什么的关键一步。
画一张最小的图，再决定动手
回到接线板。研究教育与工资，最小可行的图也许是：家庭和能力同时指向教育与工资，教育再指向工资。共同原因那条斜线，才是夏天。教育指向工资的那条水平线，才是你想拧出来的电流。
图不必漂亮，但必须诚实。漏掉一条你明知存在的箭头，等于在识别策略里开盲区。画完之后，动手前只问四句：
- 我比较的两组人，除了 ，还可能差在哪？
- 那些差异里，哪些我能按住，哪些我按不住？
- 我准备加进回归的变量，是夏天、通道，还是后果？
- 就算拧出来一截，它是对谁而言的？
答不上来，先别跑回归。答得上来，才谈得上选择实验、工具、双重差分还是断点——那些是后面的扳手。这一章只要你养成一个习惯：先画最小的图，再决定拧哪一根。
下面这张检查单把四句话变成闯关。过不了关的研究计划，通常不是缺一个稳健标准误，是差异的来源还没说清。
识别常常只能局部
即使你拧出了一截因果，它也往往不是“对所有人、在所有时间”的那一截。工具变量找出的是听从工具的那些人——义务教育法多推了几个月书的，常常不是本来就会读到研究生的人。断点找出的是刚好在分数线附近的人。实验找出的是愿意被随机化、也进得了试验现场的样本。
这不是缺陷的委婉说法，这是诚实。政策若推广到完全不同的人群，效应可能改姓。对高中边缘学生多读几个月有用，推不到“所有人多读一年都同样有用”。对某一座城市的某一批工厂有用，推不到全国所有行业。
你现在先建立肌肉：看见一个因果估计，先问“对谁而言”。摘要写成全民，是把一根亮线说成整栋楼。外部效度不是识别的敌人，是识别之后必须另写的一句限定。
好的识别策略像一根被单独点亮的线。它不保证整栋楼的电路，但它让你第一次看见电是真的在走。
拧出来的往往只是局部——往往只点亮了一条街，不是整个城市。我们得先诚实承认：现在这根亮线，照亮的是哪一群人、哪一段时间、哪种情境，再去思考结果能不能推论到别的街区或者更广泛的人群身上。如果直接把一条线上观测到的效应当作“普遍规律”，那风险就像借着一个房间的灯去判定整栋楼的通电情况。
可以练习给每个估计贴标签：这个数值到底说的是谁，对象是谁？哪些人、哪些情境没被涵盖？比如，工具变量讲的是“听从工具的人”，断点回归说的是分数线附近的人，实验往往针对的是能被招募进实验的人。如果你还贴不准这些标签，说明还没真正读懂这根亮线代表的局部效应。
下一章我们看识别里最干净的一种：世界肯为你掷骰子。随机化不是因为它高尚，是因为它把夏天从分组那一步里赶走了。骰子一掷，接线板上那根最脏的线，会暂时松开。
关于识别，哪一句最准确？