R数据分析：工具变量回归与孟德尔随机化，实例解析

原谅我又拖更好久，没办法，欸，就是懒，但是所有的单子都是保质保量完成的哈。，今天给大家写工具变量和孟德尔随机化，文章略微有些长，请大家准备好清醒的头脑，和半个小时的阅读时间哈。

啥是工具变量回归

Instrumental variable procedures are needed when some regressors are endogenous (correlated with the error term). The procedure for correcting this endogeneity problem involves finding instruments that are correlated with the endogenous regressors but uncorrelated with the error term. Then the two stage least squares procedure can be applied.

在你的研究中有内生性问题时（就是你的自变量和残差有关系了，这个时候就有内生性问题了），这个时候就可以用得到工具变量回归，或者说你的混杂很多控制不完，这个时候就可以用工具变量回归。

工具变量回归是在观察性研究中控制混杂的利器！

举例说明工具变量

我现在想探讨两个有相关的变量之间的因果关系，比如X和Y吧，我想知道XY是如何相互影响的，现在聪明的我又去找了一个变量Z，我现在肯定地知道Z和Y是没有直接的关系的，但是Z会影响X，且只会影响X。

然后我做数据分析，如果我的数据告诉我本来不可能影响Y的Z竟然对Y有作用，那么这个作用只能是通过X实现的。

大概思想就是这样的，好简单吧。继续看：

把上面的话放在一个实际的情形下：我现在想研究抑郁depression (X)和 smoking (Y)的关系，此时我手上恰好还有一个变量：工作机会缺乏Lack of job opportunities (Z)，正常人都知道工作机会缺乏是绝对不可能对吸烟有影响的，对吧，因为工作机会是别人或者外部环境决定的，吸烟是你自己干的，所以Z对Y是绝对不会有影响的，但是我收集到了好多数据，一分析，发现工作机会越缺乏的人们吸烟情况越严重，这内在的原因有可能就是X（仅在XYZ3个变量的系统中看）。

这个时候Z就可以在研究XY之间关系的时候作为一个工具变量！

什么是工具变量回归

工具变量回归就是把上面的思想用数据实现，具体的方法就是把你的有内生性问题的自变量拆开，一部分和残差有关，一部分无关，无关的部分就是工具变量：

Instrumental Variables regression (IV) basically splits your explanatory variable into two parts: one part that could be correlated with ε and one part that probably isn’t

有点不好理解，继续看：

还记得我们的一般的回归模型不？如下图：

注意模型后面都有一个误差项e，这个e就代表这除了x之外的那些没能测着的可能影响y的因素，而工具变量回归就相当于将我们原来的X分解成了两部分，一部分和误差项相关，一部分不相关，不相关的部分的系数不久是干干净净的系数嘛。所以说一个完美的工具变量就可以将混杂控制的干干净净明明白白的。

如何找工具变量

In real life, instrumental variables can be difficult to find and in fact, may not exist at all

很遗憾，现实世界真正的工具变量有可能根本就不存在，最完美工具变量就要求这个工具变量Z只和X相关，和Y不相关。

就是这个“只”，太难了。

回到我们的第一个例子：你说工作机会缺乏本身是不可能和吸烟有影响的，我同意，但是它只影响抑郁吗？不是。

工作机会缺乏有可能还会影响焦虑吧，还会影响幸福感吧，这些说不定都和吸烟有可能有关吧，所以我们把工作机会缺乏做工具变量回归，得到的抑郁对吸烟的影响肯定也是不准的。

我们找工具变量一定是基于理论的，不是说我做个相关分析就说某某变量满足工作变量的条件，合格工具变量从理论上考虑要满足如下两个条件：

• Exogenous —not affected by other variables in the system (i.e. Cov(z,ε) = 0). This can’t be directly tested; you have to use your knowledge of the system to determine if your system has exogenous variables or not.
• Correlated with X, an endogenous explanatory variable (i.e. Cov(Z,X) ≠ 0). A very significant correlation is called a strong first stage. Weak correlations can