寻找有效工具变量的必要且可能充分的检验

工具变量能否从数据中找到？尽管工具变量（IV）方法被广泛用于识别因果效应，但从观测数据检验其有效性仍是一项挑战。这是因为 IV 的有效性依赖于两个假设，即排除性假设和仿佛随机假设，人们普遍认为它们无法从数据中检验。在本文中，我们表明在某些条件下，检验工具变量是可能的。我们基于先前关于必要性检验的工作，推导出一种刻画作为有效工具变量几率的检验，因此得名“必要且可能充分”。该检验通过将无效-IV 与有效-IV 因果模型定义为贝叶斯生成模型，并基于观测数据比较它们的边际似然来实现。当所有变量均为离散时，我们还提供了一种高效计算这些边际似然的方法。我们在受既往工作提出的 IV 检验开放问题启发、针对二元数据的大量模拟上评估了该检验。我们发现，当工具变量满足单调性——对处理变量的效应非递减或非递增——且具有中等至较弱强度时，该检验功效最强；顺便指出，此类工具变量在观测性研究中常用。在仿佛随机与排除性两个假设中，该检验对排除性违背的检测功效更高。将该检验应用于两项关于工具变量的开创性研究中的 IV 以及来自《美国经济评论》的五项近期研究，表明许多工具变量可能存在缺陷，至少在所有变量被离散化时如此。所提出的检验开启了数据驱动验证与搜索工具变量的可能性。