工具变量的回归显著性是否降低？

事实上，即使一个工具变量通过了测试，也不一定是一个好的工具变量。

来自斯坦福大学的徐一清老师最近发表了一篇文章，转载了几个顶级期刊的几十篇论文的结论，发现工具变量在一定程度上被滥用了。

一个好的工具变量必须首先逻辑工作，然后通过测试。而且题主说的测试也不知道是什么。单个工具变量需要注意外部性和相关性两个条件，多个工具变量需要注意过度识别。

所以“加入工具变量后不明显”的问题可能有两个原因:

在不加入工具变量的情况下，其他因素对被解释变量的影响被误认为是核心解释变量的显著作用。在这种情况下，需要从逻辑上判断哪些因素会影响核心解释变量，是否可以尽可能控制。如果不能，就需要使用其他方法进行因果识别，如工具变量法、倾向匹配法等。如果是面板数据，也要考虑替换法。

加入工具变量变得不明显，两种情况下，1)当工具变量选择得当，核心解释变量与被解释变量之间的因果关系被正确识别，可能不显著，工具边界堵住了不可观测因素的“后门”；2)当工具变量选择不当时，加上错误的工具边界可能会扭曲因果关系。参考前面提到的徐一清老师的文章。