带你读《2022技术人的百宝黑皮书》——因果推断：效应估计的常用方法及工具变量讨论(9) https://developer.aliyun.com/article/1247899?groupCode=taobaotech
条件(3)：Z 和 Y 没有共同诱因。这一条件同样无法验证。图3.4.3 描绘了 Z 和 Y 存在共同诱因的情形，其中U1不仅是Z和Y的共同诱因，也是 A 的诱因。在观察性研究中，Z 的混杂总是存在（对于其他研究者不能控制的变量也同理）。而混杂会影响效应估计里面的分子，同时也会被视为 A 的效应的一部分，从而被分母扩大。
一些对和不对的解决方法
1.部分解决办法：
利用在分层中假设3成立的方法进行验证：某些时候，条件(3)和其他条件在某些变量的分层中更可能成立。相比于直接假设 Z 和 Y 之 间没有混杂，加上“在变量V 的分层中”这一限制可能会更好一些，也即假设“在某些变量V 的 分层中， Z 和Y 之间没有混杂”。从而我们就可以在V 的分层中利用工具变量估计因果效应，然后再假设治疗的因果效应在整个人群(同质性)或者配合者(单调性)中是不变的，进而汇总这些分层中的效应估计。
2.不对的方法：
用已测混杂在不同分层的分布“预测”在未测混杂中的分布： 研究者也经常检验工具变量Z 的不同分层中已测混杂的分布，从而为条件(3)提供支撑。 这一做法是基于这样一种想法：如果已测的变量已经分布均衡了，那未测变量同样分布均衡的可能性会高一些。然而，这一想法可能会造成致命的错误，这是因为即使再小的不均衡，经过(前文讨论的)放大之后，也会造成很大的偏移。
多个工具变量可能加剧效应估计的偏移：有些研究者会同时使用多个工具变量，从而缓和只有一个工具变量的不足。然而使用多个工具变量会加剧我们上述讨论的种种问题。工具变量的数目越多，它们中的某些也就越可能违反工 具变量的三个基本条件。
带你读《2022技术人的百宝黑皮书》——因果推断：效应估计的常用方法及工具变量讨论(11) https://developer.aliyun.com/article/1247896?groupCode=taobaotech
