当数据中的处理变量与不可观测的因素相关时，普通回归会产生偏差。工具变量法通过寻找与处理相关、但与干扰项无关的“工具”，帮助你剥离内生影响，识别真实的因果效应。Lattice 会自动验证工具的有效性，防止无效工具带来的推断陷阱。
理解工具变量法的核心逻辑
工具变量法通过“两阶段最小二乘法”来实现。在第一阶段，模型提取处理变量中受工具变量影响的部分；在第二阶段，再利用这部分“净化”后的变动来解释结果变量。这种方法的核心优势在于它能有效地隔离干扰因素，从而提供更接近真实的因果系数。
在 Lattice 平台上，该方法自动处理回归计算，并报告所有系数的统计显著性，同时配套提供标准误差的稳健估计，确保推断结果更加严谨。
防御性分析：反幻觉检查
因果推断最忌讳盲目信任系数。Lattice 内置了针对工具变量法的双重反幻觉检查：弱工具变量检测（以 F 值是否小于 10 为界）和过度识别检验（Sargan J 检验）。
如果检测到弱工具风险或过度识别违规，系统会直接标记相关的风险旗标。此时，平台将建议你慎做因果解读，并提示你检查工具变量的合法性或考虑其他模型设定。
如何解读计算结果
工具变量法输出的 LATE（局部平均处理效应）是衡量干预效果的核心指标。除了输出具体的估计值与置信区间外，Lattice 还提供第一阶段的诊断信息，帮助你评估工具变量的强度与外生性假设是否得到支持。
我们建议用户在引用结果时，始终结合领域知识论证“排除限制”假设，即论证工具变量为何不直接影响结果变量，这在因果分析中至关重要。
1 · Intent → method
An LLM picks causal_iv from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
为什么 Lattice 要自动做 First-stage F 检验？
如果工具变量与处理变量之间的相关性过弱，2SLS 估计量的偏差会急剧增大。工具变量法内置的 F 检验能及时识别这种“弱工具”风险，避免你基于不可靠的统计结果做因果解读。
什么是 Sargan J 检验？
当你拥有的工具变量数量多于内生变量数量时，Sargan J 检验会评估这些工具变量是否与干扰项外生。如果检验拒绝了原假设，说明至少有一个工具变量可能通过非预期渠道影响了结果，此时应重新审视模型设定。
Tool 输入字段
Schema for causal_iv not exported yet (run pnpm export:registry).