1. 从"测不准"到"替代"：代理变量到底在解决什么问题

做实证研究的人，十有八九都撞见过同一个窘境：你费尽心思把理论模型写好，把假设推得漂漂亮亮，到了数据环节却发现，模型里最核心的那个变量，数据库里根本没有。拿最常见的"能力"来说——你研究教育回报率，知道不控制能力就会犯遗漏变量偏误，可能力怎么测？数据里没有"能力"这一列。这时候有人会告诉你：用智商、用高考成绩、用学历年数作为能力的代理变量。这就是代理变量的典型应用。

代理变量，说白了就是用一个能观测到的、和真实变量高度相关的替代指标，去近似一个不可观测或难以测量的变量。它解决的，是实证研究中最常见也最头疼的"想测的东西测不了"的问题。这篇文章我想把代理变量这件事系统梳理一遍：理论基础是什么、识别条件有哪些、和工具变量的关系是什么、经典案例怎么用、实操中怎么选、怎么报、容易踩哪些坑。适合正在写论文的研究生、刚接触实证分析的研究者，以及那些对计量方法有基础但一直没搞透代理变量细节的从业者。

有人可能会问：现在机器学习那么发达，方法那么多，为什么还要用代理变量这种"土办法"？答案是：代理变量不是终点，它是你在数据约束下做出的最优可行选择。任何复杂模型，都无法凭空创造数据里不存在的信息。你可以在模型技术上精进，但数据层面的根本约束没有变。所以搞懂代理变量的逻辑，比学再多高级方法都优先。

1.1 一个典型场景：想测"能力"，手里只有成绩单

为了把问题讲得具体，我拿劳动经济学里的Mincer收入方程举例。研究教育年限对收入的影响，回归方程是：

ln(wage) = α + β × edu + γ × ability + ε

理论上必须控制ability，否则教育变量会吸收部分能力的影响，β估计有偏。但"能力"不是商品，没有市场价格，没有一个数据表叫"个人能力列表"。这时候研究者能拿到什么？可能是受访者当年的高考总分、大学GPA、或者某种心理测评得分。于是就用其中一个作为能力变量的代理。

整个过程的内在逻辑是这样的：真实变量X*不可观测，但有一个可观测变量X，满足X和X*高度相关，且X的测量误差与回归模型中的扰动项没有系统性关系。我们把X放进回归，替代X*，目的是尽量把X*的效应从其他变量的系数里"剥离"出来。注意，这个逻辑和"我要精确度量X*"完全不同。你追求的不是估计X*的精确效应本身，而是减少遗漏变量对其他系数造成的偏误。

所以我在给学生讲的时候常说一句话：代理变量是"曲线救国"，不是"直捣黄龙"。它能让主要解释变量的系数更干净，但代价是代理变量自己的系数往往不准、有偏、还被压低。想明白这一点，很多使用误区就不会踩。

1.2 代理变量的三类典型使用场景

代理变量不是只用在"能力"这种特质变量上。归纳下来，实证分析中它主要出现在三类场景。

第一类是纯粹不可观测的个体特质，比如能力、努力程度、天赋、偏好、文化背景。这类变量理论上存在，但本质上不属于任何统计报表，只能找现阶段的近似指标。

第二类是"理论上可测、实操中太贵"的变量。比如要测一家企业的全要素生产率，严格按照生产函数计算需要极其完整的投入产出数据，中小企业的数据往往缺胳膊少腿。这时候可能用劳动生产率、人均产出、甚至是单位能耗作为TFP的代理变量。不是测不准，是成本不允许。

第三类是概念过于宽泛、学界对测度方式从未达成一致的变量，比如制度质量、幸福感、社会资本。这类变量每个人心里都有个数，但没有统一标尺。你用"信任度调查"度量社会资本，别人也可能用"社团成员数量"。这种变量天然需要代理。

把这三类场景区分清楚有个实际好处：它决定了你后续做稳健性检验的力度。第一类场景，你换一个代理变量也许结构类似；第二类场景，你有机会用更精细的数据做交叉验证；第三类场景，你必须接受"概念自身就有多种理解"这一事实，做多代理变量分析几乎是标配。

1.3 为什么不用更"高级"的方法替代代理变量

聊代理变量时，总躲不开一个问题：既然有测量误差，为什么不直接用工具变量？为什么不把不可观测变量当作潜变量做结构方程？为什么不跑一个机器学习模型把缺失值预测出来？

我给的回答是：这些方法各有用处，但都不能替代"找一个合理代理变量"这一步。

• 工具变量解决的是内生性问题，不是不可观测问题。你拿父母的受教育年限做孩子教育年数的工具变量，前提是教育年数本身可观测。如果连被解释变量里的核心变量都不可观测，工具变量也无从谈起。
• 潜变量和结构方程模型确实可以处理不可观测变量，但代价是强假设：你给不可观测变量设定了一个测量模型，且对测量误差的分布有具体要求。这些假设在绝大多数经济学实证场景中并不比"选一个好代理变量"来得更可靠。
• 机器学习填补缺失值就更偏向了。代理变量解决的是"变量不存在"，缺失值填补解决的是"变量存在但部分缺失"。这是两回事。

所以，真正专业的实证流程是：优先思考能否找到一个高质量的代理变量，再考虑用稳健性检验来论证代理变量的有效性，必要时辅以工具变量等方法进行交叉验证。代理变量不是粗糙的代名词，它在研究设计中有自己的恰当位置。

2. 识别条件背后的计量逻辑：为什么代理变量会把系数"压低"

理解了代理变量在解决什么问题之后，下一步要搞懂它的计量结构。很多人会问：既然X是X*的代理，那直接用X做回归不就行了？理论上是这样，但OLS的结果不会直接给出X*的真实效应，因为测量误差会扭曲估计结果。具体怎么扭曲，方向是什么，幅度受什么影响，这就是这一节要拆的内容。

2.1 经典测量误差模型下的系数衰减

假设真实模型是：

y = β X* + ε

其中X*不可观测，我们观测到的是X，满足：

X = X* + v

v是测量误差，满足E(v|X*) = 0，且Var(v) = σ²v。也就是说，测量误差是纯随机的，跟真实值水平无关。这个设定叫经典测量误差（classical measurement error）。

在这种设定下，用X回归y得到的系数估计值是：

plim β̂ = β × [σ²X* / (σ²X* + σ²v)]

注意中括号里这个比值一定小于1，而且大于0。意思是，OLS估计量会向0方向收缩。X*的方差相对测量误差方差越大，衰减程度越轻；测量误差占比越大，β̂越是缩水。这就是衰减偏误（attenuation bias）的由来。

这个结果的直观含义是：你做出来的系数，是真实效应的"缩水版"。如果真实效应是0.5，代理变量噪声比较大时，估计出来可能只有0.2甚至0.1。效应显著当然好，但即便显著，你也不能直接把0.2解读为"真实效应是0.2"，真实的效应通常比你估计到的更大。

有一个非常经典的推导可以帮助记忆：当测量误差占比一半时（σ²X* = σ²v），估计系数就只有真实值的一半了。对做实证的人来说，这意味着如果文献中某个变量用了一个很粗糙的代理变量，估计系数偏小，并不一定代表效应不存在，也许只是被衰减了。

2.2 合格的代理变量需要满足哪些条件

衰减偏误只是结果，更重要的是理解什么样X能成为合格的代理变量。我把它归纳为三个识别条件，缺了哪一条都可能让代理变量失效。

条件一是相关性，Cov(X, X*) ≠ 0，而且越强越好。如果X和X*几乎不相关，那它不是代理变量，是一堆无用的噪音。实操中这个条件靠前期文献和描述性统计来验证。另一个程度上的指标是"信度"这个概念，X的方差中来自X*的比重越大，代理质量越高。

条件二是测量误差与真实值无关，也就是E(v|X*) = 0。这一条保证衰减方向是确定的、可预期的。如果测量误差还跟真实值水平正相关——比如越有能力的人越容易被高估——估计量的性质就会变得复杂，方向可能是正的也可能是负的。

条件三是代理变量相对于回归中其他变量的外生性。严格表述是：给定X*之后，X不再携带关于扰动项ε的信息，即Cov(X, ε|X*) = 0。这在数学上对应着排他性，它保证你把X放进回归不会引入新的内生性。实操中最常违反的就是这一条。比如用"是否上大学"代理"个人能力"，但上大学这件事本身还受到家庭背景、地区政策、信息渠道的影响，而这些因素又往往直接影响收入。那么大学这个变量和扰动项就有关联，代理变量被污染了。

2.3 代理变量到底能不能消除遗漏变量偏误

这是所有人最关心的问题：加了代理变量后，主要解释变量系数是不是就干净了？

我的答案是：有所改善，但不保证完全消除。原因要从代理变量在回归中的角色说起。假设：

y = α + β edu + γ X* + ε

我们把X = X* + v放进回归，得到：

y = α + β edu + γ X + (ε - γv)

新扰动项是ε - γv。只要v和edu不相关，教育年限系数的偏误来源就只剩下ε了。也就是说，代理变量的加入可以把之前由"能力"本身带来的遗漏变量偏误吸收掉一部分，只要代理变量和主要解释变量相关的那部分能力变量被控制住了。

但问题在于，X*通常不是一个变量，而是一个概念集合。比如"能力"就至少包含认知能力、非认知能力、健康状况、社会适应力等多个方面。只拿一个考试成绩做代理，只能覆盖认知能力，其余部分仍然在扰动项里。如果非认知能力和教育年限相关——事实是确实相关——那么教育系数仍有偏误。

现实中有时候研究者会在同一个回归中加入多个代理变量，比如把智商测试、学历、甚至身高都放进去，每覆盖一个维度就减少一份遗漏变量偏误。这种方法很常见，在计量上也不需要额外假设，只是注意别把其他变量的解释含义给搅乱了。

3. 代理变量不等于工具变量：最常被混淆的一组概念

独立做实证分析的人，几乎都犯过一个错：把代理变量当工具变量用。这两个概念听起来有点像，都属于"变量不完美，找个替代品"的思路，但它们的识别逻辑截然不同。搞混了，后果很严重。

3.1 两种识别策略的根本差异

工具变量解决的核心问题是内生性。假设模型：

y = β X + ε

如果X和ε相关，OLS不一致。工具变量Z要满足两个条件：相关性，Cov(Z, X) ≠ 0，排他性，Cov(Z, ε) = 0 。IV估计量的识别逻辑是：只用Z带来的外生变异去识别X的效应。X本身不干净没关系，Z干净就行。

代理变量解决的核心问题是不可观测。假设真实模型里是X*，而不是X。我们观测不到X*，只能用X去接近它。代理变量的逻辑不是找外生变异，而是找一个"足够接近X*的变量"替身。

用一句话区分：工具变量是给可观测的X找外生变化来源，代理变量是给不可观测的X*找可观测的近似载体。这两个思路面对的问题类型不同，处理手段也就不能互换。

实际操作中还有一个更隐蔽的区别：工具变量需要X*本身可观测，就像"上课出勤率"影响"成绩"，成绩可测，但出勤率内生，因此找天气做工具变量。而代理变量处理出勤率不可测，用"宿舍到教室的距离"做代理。前者是内生性，后者是测量缺失，完全不是一码事。

3.2 把代理变量当工具变量的灾难性后果

如果用了不满足排他性的代理变量做工具变量，问题有多严重？我举一个直接、具体的场景。

假设想研究"工作培训时长"对"收入"的影响。真实模型里需要控制"员工能力水平"X*，但不可观测。你用一个测试得分X来代理能力。现在你把X当作培训时长的工具变量，IV估计本质上是"使用X中与培训时长相关的那部分变异"来识别培训的效应。可X既然是能力的代理，它同时和收入直接相关，排他性就被破坏了：Cov(X, ε) ≠ 0。

在排他性被破坏的情况下，IV估计量一般比OLS偏得更厉害，方向也很难说。OLS的偏误方向好歹在经典测量误差下是向零衰减，而用了不合格的IV之后，偏差可能被放大、可能反向，还可能造成一种"显著性幻觉"。对审稿人来说，这是最致命的方法论硬伤。

这里可以看一个常见例子：用"父母受教育年限"作为"个人受教育年限"的工具变量。父母教育影响个人教育没问题，相关性成立；但父母教育也很可能通过家庭文化氛围、育儿投入直接影响个人收入，排他性就存疑了。至于父母教育作为"个人能力的代理变量"，倒是可以说在某种程度上合理——它确实反映了家庭认知环境的一部分。这个例子也说明，同一个变量在一种设计里可以是代理变量，在另一种设计里可以是工具变量的候选，但代理变量和工具变量这两个功能不能混着用。

3.3 什么时候选择"替换"，什么时候选择"外生冲击"

既然二者不同，选择标准就很重要。我的经验可以概括为三个问题：

第一个问题：你的核心变量是否本身可观测？

• 可观测但内生，比如教育年限、培训时长、是否加入某计划，走工具变量路线。
• 不可观测但理论明确，比如能力、偏好、全要素生产率，走代理变量路线。

第二个问题：你的数据里是否存在真正满足排他性的工具？

如果没有，强行找IV几乎必然是弱工具或者排他性存疑，还不如老老实实用代理变量并做充分的稳健性检验。很多领域的实证文献已经积累了大量公认的代理变量，用它们不会出错。

第三个问题：你的研究目标是什么？

如果目的是精确估计某个机制的大小，代理变量的衰减偏误是绕不开的，需要想办法校正（比如做信度校正或结构估计）。如果目的只是减少遗漏变量带来的污染，让主要解释变量的系数更可信，那么代理变量就够用了。

这三个问题，我在实际研究中每次都过一遍。做了这个分类，再回看很多文献里"用代理变量做IV"的写法，你就会意识到，那通常属于研究设计上的偷懒，而不是合理的近似。

4. 五个应用案例拆解：不同实证场景里的代理变量

理论讲到这里，必须配案例。代理变量的使用高度依赖研究场景，每个领域的"共识代理变量"各不相同。我把五个代表性场景拆开讲，每个案例都说清楚：真实变量是什么、为什么不可观测、代理变量选了什么、有什么风险、怎么检验。

4.1 教育经济学：用学校资源度量教育质量

教育生产函数研究里常有这样一个问题：想估计"学校质量"对学生成绩的影响，但学校质量是什么？老师水平、教学管理、校园文化、同伴效应……每一项都很模糊。所以研究者在实际中常用生均经费、师生比、教师学历比例、教育支出等可观测的学校投入变量作为"学校质量"的代理。

楼层逻辑是：学校质量越高，往往反映在更好的投入条件上。这些可观测的投入指标确实和真实质量高度相关，但它们并不等于质量本身——比如一个学校经费高也有可能因为地处高成本地区，而非质量高。这就是代理变量带来的指标污染。

此类研究的标准做法是：把多个学校投入指标同时放进回归，得到"net school quality"的效应；或者只在回归中控制"教育资源"这个变量，接受它可能混合了成本因素的事实。换代理变量的稳健性检验也很常见，比如从"师生比"换成"教师拥有硕士学位的比例"，看系数方向和显著性是否保持一致。

4.2 劳动经济学：用可观测特征代理不可观测能力

这已经是计量经济学教科书中的经典用法。能力不可观测，研究者用各种测试得分代理。教育回报率研究的经典文献中，明显出现了一个现象：只控制教育年数时系数偏高，加入能力分数后系数降低，说明原来的教育系数吸收了一部分能力效应。

这类场景需要注意两点。第一，代理变量不能完全消除遗漏偏误，因为能力是多维的。第二，能力测试分数本身也受后天学习等影响，它既是能力的代理，也直接受教育影响，形成一个反馈回路。这意味着在高阶回归里，能力代理变量可能和教育变量存在机械相关性。

实用建议是：明确你是把能力代理当控制变量，还是当引起内生性的影响渠道。如果只是控制偏误，稳健的做法是给能力一个较广的指标集，比如成绩、问题解决测试、工作经历年数，同时用一个因子分析提取"一般能力"因子，再放进回归。这个做法比单用一个测试得分要稳。

4.3 制度与发展研究：用感知指数代理制度质量

制度与经济增长的实证研究里，制度质量是不可观测的核心驱动之一。研究者常使用各种"感知型指数"——比如产权保护评价、腐败感知指数、司法效率评价、开办企业流程天数——来代理制度质量。由于这些指数多数来自企业调查或专家的主观打分，用它代理制度质量是必然的选择。

这一选法的问题也很典型：主观感知可能受到经济表现的反向影响。一个地方经济好，受访者容易给出更积极的评价，这就让"制度质量代理变量"和被解释变量收入水平之间形成机械关联。反过来看，经济好也可能是因为制度好，这里就存在方向不清的问题。

处理这类问题，我见过的成功做法一般是三类：第一类用历史数据或地理特征做工具变量，比如殖民时代的制度遗产、距离欧洲的纬度距离；第二类用同一制度变量的多个不同代理做综合分析，看结论是否一致；第三类用滞后期的制度指数，利用时间结构缓解反向因果。这些做法的共同点都是承认代理变量可能内生，然后用其他手段做交叉验证。

4.4 健康经济学：用自评健康度量真实健康水平

健康是一个典型的"多维不可观测"变量。传统上，研究者有三种常见的健康代理变量：自评健康（SRH）——受访者回答"你觉得自己的健康状况如何"；客观指标——BMI、血压、慢性病数量、日常生活活动能力（ADL）；主观结合客观，构造一个健康指数。

自评健康的数据容易拿，但在健康经济学里它的测量误差结构很特殊。它既包含真实的健康信息，也包含个人的主观参照系、性格倾向，以及"回答环境"带来的噪音。研究发现，自评健康确实能预测后续死亡风险，这是它有信息量的证据；但它和实际健康状况的相关度并不高。更麻烦的是，如果研究"健康对收入的影响"而用自评健康做代理，那些不乐观、容易负面解读的人会同时低评健康又低报收入，产生系统性偏误。

我建议的做法是：如果数据允许，优先用客观指标构造健康指数，并将自评健康作为辅助稳健性代理；反过来，如果只能拿自评健康，就一定要在回归中加入人格特征控制变量，并用滞后多期的健康自评做检验。

4.5 企业实证：用研发投入代理创新意愿

企业管理研究里，创新意愿、创新文化、技术吸收能力这类变量很难直接观察。最常用的一个代理组合是R&D投入、专利数量、新产品销售占比。R&D投入的优势是它可以用会计数据度量，客观清晰；劣势是它反映的是"花钱"，不等于"创新能力"——有些企业的R&D投入是在维持现有技术，有些则是在突破式创新。

工业组织领域有个经典做法：用专利引用数而不是单纯的专利数代理创新能力。原因是单纯专利数量混杂了大量低价值专利，而引用数能反映技术影响力。这个改造本质上是换了一个质量更高的代理变量，其相关性和X*的关联度都更好。

企业类数据的另一个常见陷阱是计量单位。R&D投入在企业规模上高度异质，大企业的创新投入天然高于小企业。把变量取对数并用员工人数标准化是基本的处理，但这也意味着衡量的是创新强度而非总量。写论文时，把创新强度和创新总量区分开，能让你的最强结论站得住脚。

5. 从选变量到写结论：代理变量使用的完整实操流程

理论知识讲完了，案例也拆过了，接下来是执行层的东西。代理变量的使用不是一个随意的决定，它有自己的一套流程。我在实际操作里总结了一个"四步法"：定义真变量、审计数据、匹配合格代理、做足检验和报告。每一步都有一些值得注意的细节。

5.1 第一步：把"真实变量"拆成可操作的定义

很多人选不好代理变量，根源在于没有先把真实变量定义清楚。"能力"是什么？每个人都有自己的理解。如果定义是"解决新问题的认知技能"，那合适的代理是流体智力测试；如果定义是"在工作场合中长期表现出来的综合胜任力"，那管理者的绩效评分也许更好。定义都不清晰，代理怎么选都像是在掷骰子。

我的做法是在研究方案里先写下三句话：理论概念是什么、这个概念的操作性定义是什么、我预期的代理变量会在哪个维度上遗漏真实变量。把第三句写出来特别重要，因为它直接提示你可能遗漏哪些相关维度，提醒你在稳定性检验时补上。

比如研究"互联网使用对收入的影响"，真实变量可能是"数字技能"。操作性定义可以是"使用搜索引擎解决特定任务的能力"。代理变量如果用"每周上网时长"，很明显遗漏了技能的深度维度，所以你在稳健性检验里至少要补一个"是否能完成网上支付"之类的技能变量。

5.2 第二步：数据可得性与代理变量的匹配确认

定义清楚了，接下来要翻数据。核心问题：你的数据表里有没有和被定义概念匹配的可用指标？匹配时要警惕表面相似。

举一个常见的例子：一个面板数据里有"有无互联网接入"这个二值变量，有人直接拿它当"互联网使用程度"的代理。但接入≠使用。接入是使用的前提，不是使用的量度。如果研究目的是"使用强度对收入的影响"，这个代理变量明显太弱。

匹配确认做三件事：第一，列出候选变量；第二，逐个检查它们的测量口径、覆盖范围、缺失率；第三，做一个简单的相关性矩阵，看候选变量之间的相关性。如果多个候选变量之间的相关性很低，说明它们测的可能不是同一个概念，需要回到定义环节重新审视。

5.3 第三步：稳健性检验的几种常见打法

代理变量永远是不完美的，所以审稿人会天然地质疑：换一个代理变量，你的结论还在吗？应对这种质疑，有三套标准打法。

第一套是替代检验。用另一个相关代理变量重新跑主回归，看系数方向和显著性是否保持一致。比如用"考试成绩"替代"学历年数"做能力的代理，结论不变，就比较有说服力。

第二套是多代理联立。把多个代理变量同时放进回归，偷懒做法是全部主效应一起放，精细做法则要考虑变量之间的交互和共线性，用因子分析先提取共同的代理因子。

第三套是边界分析。按代理变量取值范围做分组回归，比如把代理变量分成高、中、低三组，看主效应是否在每组都稳健。这个方法特别适合纠正"代理变量本身波动大"的问题，因为它利用的是代理变量内部的变异信息。

实操小建议：每一种稳健性检验的结果，都整理成表格放在论文附录里，而不是只挑对自己有利的一次检验放正文。审稿人一旦感觉你在选择性报告，对论文信誉的影响很大。

5.4 论文报告里的措辞与自检清单

论文写作中，代理变量的报告要时刻提醒读者"我这里用了替身，有代价"。措辞上的几个关键点：

第一，在首次出现代理变量时，用"作为...的代理"这样的明确表述，不要含糊地用"我们用X来度量概念Y"。这是最基础的学术写作规范，但很多稿子都不达标。

第二，在数据章节加入代理变量与原变量概念差异的讨论段落，说明遗漏方向。

第三，在结论的局限性一栏，明确提到代理变量测量误差的存在、衰减偏误的可能，以及你已经为缓解它做了哪些工作。

我在投稿前会给论文做一个代理变量自检清单，这里分享出来：

• [ ] 是否明确说明了哪个真实变量不可观测，为什么不可观测？
• [ ] 是否给出了代理变量与理论概念的相关性论证？
• [ ] 是否讨论了测量误差可能对系数产生什么方向的影响？
• [ ] 是否已经做了至少一种替代代理变量检验？
• [ ] 是否在局限性部分诚实交代了代理变量的缺陷？

这些内容看起来琐碎，但审稿人对"代理变量用得偷不偷懒"的判断，往往就基于这些细节。

6. 踩过的坑与后续规避习惯：几个真实教训

经验部分来了。我做了不少年实证研究，代理变量上踩过大大小小的坑，有教训也有一些已经内化的防御习惯。

6.1 第一个坑：把代理变量系数直接当作真实变量的效应

这是我早年犯过的错，也是很多初入实证门的人最容易踩的。论文初稿里写"X作为Y的代理变量，其对Z的影响显著为负"，意思好像是"Z对Y的真实影响是负的"。但更准确的说法应该是："观测到的代理变量X与Z呈负相关，考虑到X是Y的近似，且测量误差只会造成向零的衰减，真实关系可能在负方向更强。"

问题在于，有时候衰减不是唯一代价，如果测量误差与真实值相关，系数的方向和幅度都可能改变。所以我的习惯是：论文里凡是用代理变量的回归结果，解释部分都要紧贴观测变量的表述，只在稳健性分析之后的讨论部分才谨慎地对真实变量做推断。

6.2 第二个坑：被审稿人质疑代理变量内生性时的应对

有一篇研究，我用了感知型指数做核心解释变量的代理，审稿人径直质疑"这个感知指数受被解释变量反向影响"。当时我的第一反应是解释代理变量和X*的相关性有多高，结果并不奏效。后来才明白，审稿人不是在问"你这个代理变量质量好不好"，他是在问"这个代理变量是不是在悄悄吸收被解释变量的信息"。

彻底解决问题的方式，不是继续防御，而是换识别策略。我当时采用的办法是找了一个历史的同源变量做工具变量，把感知指数当作内生可观测变量处理，同时把历史变量作为外生冲击的来源。这次修订让我意识到，代理变量和工具变量并不是非此即彼：很多研究里，你可以先是代理变量，然后用IV做稳健性交叉验证。代理变量负责解决含量问题，IV负责把内生性兜住。

6.3 第三个坑：弱代理带来的假阴性

还有一个反直觉的坑：代理变量太弱时，可能造成"假阴性"结论。衰减偏误已经说了，测量误差占比越高，估计越向零缩水。如果真实效应本来就不大，弱代理可能让系数看起来完全不存在，研究者于是误判"没有效应"。

我在一个关于"企业数字化程度对利润影响"的项目里就撞上过这个坑。第一轮回归数字化转型得分系数不显著，一度以为真的没有效应。后来改用更贴近"数字化深度"的度量——比如企业使用的数据仓库系统的数量、自动化流程覆盖率——系数变得显著。真是惊出一身汗。这件事之后的习惯是：当代理变量粗略、理论预期效应又不大时，至少要做一次信度校正或者用文献里的信度值做敏感性分析，避免假阴性误导决策。

最后分享一个我现在正在用的工作习惯：建立一个"代理变量档案"。每做完一个项目，就把使用的代理变量、它的识别假设、潜在偏误方向、已做稳健性检验记录下来。下次做同领域的新课题时，先翻档案再动手。写这篇文章的过程也算是一次档案整理，希望这些经验能帮你少走一些弯路。