实证研究中的内生性问题处理【课件文档】

20XX/XX/XX实证研究中的内生性问题处理汇报人:XXXCONTENTS目录01

内生性问题概述02

内生性的主要成因03

内生性问题的后果04

工具变量法CONTENTS目录05

其他内生性处理方法06

内生性问题的检验方法07

内生性处理的应用场景与案例08

内生性处理的研究进展与展望内生性问题概述01内生性的定义与本质内生性的核心定义内生性是计量经济学中的核心问题，指模型中一个或多个解释变量与随机扰动项存在相关性，导致普通最小二乘法（OLS）估计结果产生偏差。内生性的本质：违背经典假设经典回归分析假设误差项与解释变量独立，内生性则破坏这一假设，使得估计量的无偏性和一致性无法保证，进而影响结果的有效性。内生性与外生性的对比在计量经济学中，与误差项相关的变量称为内生变量；与误差项不相关的变量称为外生变量。内生性问题的出现意味着模型中存在内生变量。内生性对OLS估计的影响

01无偏性丧失：估计结果系统性偏离真实值内生性导致OLS估计量不再是无偏的，即估计系数的期望值不等于真实参数值。例如，在教育对收入影响的研究中，若遗漏能力变量，OLS会高估教育回报率，因为能力既影响教育年限又影响收入，使教育年限与误差项相关。

02一致性丧失：样本扩大也无法收敛于真实值内生性破坏了OLS估计的一致性，即使样本量趋向无穷大，估计值也不会收敛到真实参数。以企业研发投入与绩效关系为例，未控制行业竞争程度时研发系数显著偏大，加入控制变量后系数大幅下降，说明遗漏变量导致OLS估计不收敛于真实效应。

03因果推断失效：相关性无法解释为因果关系内生性使得回归结果难以被解释为变量间的因果效应，可能导致错误的政策结论。如“社交媒体使用与幸福感”研究中，OLS显示使用时间越长幸福感越低，但反向因果（幸福感低者更依赖社交媒体）可能是真实原因，直接推断社交媒体降低幸福感将产生误导。

04估计精度下降：标准误与置信区间不可靠内生性问题会加剧估计量的方差，导致标准误增大、置信区间变宽，降低结果的统计显著性。例如，用自我报告的“风险偏好”作为解释变量时，测量误差使OLS估计系数显著性不稳定，更换为客观金融数据后结果才可靠，体现内生性对估计精度的负面影响。内生性问题的普遍性与危害01内生性问题的普遍存在性内生性问题是实证研究中广泛存在的核心挑战，几乎每个计量模型都需仔细排查其是否存在。无论是经济学、管理学、社会学还是其他社会科学领域，在探究变量间因果关系时，内生性问题都可能出现。02内生性对OLS估计的直接危害内生性导致解释变量与误差项相关，使得普通最小二乘法（OLS）估计量不再是无偏和一致的。即使样本量增大，估计结果也无法收敛到真实参数值，直接影响估计结果的可靠性。03误导性结论与政策偏差风险内生性问题会使研究结论偏离真实情况，可能夸大或缩小变量间的真实效应，甚至得出符号相反的结论。基于此类结果推导的政策建议将存在严重偏差，误导决策。04实证研究结论可信度的崩塌内生性的存在可能从根本上动摇实证研究结论的可信度。如一项关于企业研发投入与绩效的研究，因遗漏行业竞争程度变量，导致研发投入系数被严重高估，后续控制该变量后系数大幅下降。内生性的主要成因02遗漏变量偏误

遗漏变量偏误的定义当模型中忽略了对被解释变量和已纳入模型的解释变量均有影响的重要变量时，该遗漏变量会被归入误差项，若其与解释变量相关，则导致内生性问题。

核心特征：双重相关性遗漏变量需同时满足两个条件：一是与被解释变量相关，二是与模型中的解释变量相关，二者缺一不可，否则不会引发内生性。

典型案例：教育回报研究中的能力遗漏在教育年限对收入影响的研究中，若遗漏“个人能力”变量，由于能力强的个体通常教育年限更长且收入更高，会导致教育系数被高估，无法准确反映教育的真实回报。

实证教训：企业研发投入与绩效研究某企业研发投入与绩效研究初期未控制“行业竞争程度”，研发投入系数显著偏大；加入该变量后，系数降幅达50%，印证了遗漏变量对估计结果的显著干扰。测量误差测量误差的定义与表现测量误差指变量实际值与观测值之间的偏差，导致解释变量成为"带噪音的变量"。如用专利数量衡量企业创新能力时，可能包含防御性专利；用问卷调查测量居民消费意愿时存在主观偏差。测量误差引发内生性的机制当解释变量存在测量误差时，其观测值等于真实值与误差项之和，该误差项被纳入模型扰动项，导致解释变量与扰动项相关，违反OLS基本假设，引发内生性问题。测量误差的典型后果：衰减偏误测量误差通常导致OLS估计向零值偏误（attenuationbias），即估计系数绝对值被低估。例如，用自我报告的"风险偏好"做解释变量时，系数显著性可能不稳定，换用客观金融资产配置数据后结果更可靠。缓解测量误差的实践策略优先选择客观指标替代主观指标，如用研发投入强度替代创新能力主观评分；采用多重测量方法交叉验证，或通过工具变量法分离真实效应与测量噪音，提升估计稳健性。双向因果关系双向因果的定义与核心特征

双向因果指解释变量与被解释变量之间存在相互影响的关系，即解释变量影响被解释变量的同时，被解释变量也反向作用于解释变量，形成因果循环，破坏经典回归模型中解释变量外生的基本假设。典型案例解析

金融发展与经济增长：金融发展水平提升可能促进经济增长，而经济增长也会推动金融市场规模扩大和效率提升；社交媒体使用与幸福感：社交媒体使用时长增加可能降低幸福感，而幸福感较低的个体可能更倾向于延长社交媒体使用时间以寻求慰藉。对估计结果的影响机制

由于解释变量与被解释变量相互依赖，导致解释变量与模型误差项产生相关性，使得OLS估计量丧失无偏性和一致性，无法准确识别真实的单向因果效应，可能夸大或扭曲变量间的实际影响程度。识别与检验思路

可通过理论分析变量间逻辑关系、构建联立方程模型、对比不同滞后结构的回归结果等方式初步判断；Hausman检验可用于比较OLS与IV估计结果的差异，若差异显著则提示可能存在双向因果导致的内生性。自我选择与样本选择偏误

自我选择偏误的定义与成因自我选择偏误指解释变量非随机选择，与个体未观测特征相关。例如企业投资决策可能受自身不可观测的管理能力影响，导致投资水平（解释变量）与误差项相关。

样本选择偏误的形成机制样本选择偏误源于非随机抽样，使得分析样本无法代表总体。如仅用大学发放问卷研究公众看法，样本局限于大学生，非大学生群体的信息被归入误差项并与解释变量相关。

偏误后果：从选择性到内生性无论是个体自选择还是样本非随机选择，均会导致关键变量信息被纳入误差项，若该部分与模型中解释变量相关，即引发内生性问题，使OLS估计产生一致性偏误。

典型案例：教育回报研究的样本偏差研究教育对收入影响时，若仅选取在职人群样本，可能遗漏低教育水平失业者（其收入未被观测），导致教育系数偏高，因失业者的低教育与低收入特征未进入模型。动态面板偏差动态面板偏差的定义动态面板偏差是指在面板数据模型中，当被解释变量的滞后项作为解释变量时，由于被解释变量与误差项相关，其滞后项也必然与误差项相关，从而导致解释变量（滞后项）与误差项相关，引发内生性问题。动态面板偏差的经典案例例如在模型Y_it=α+βY_it-1+γX_it+μ_i+ε_it中，Y_it-1（被解释变量的滞后项）作为解释变量，由于Y_it与ε_it相关，Y_it-1自然也与ε_it相关，违反了解释变量与误差项不相关的基本假设。动态面板偏差的后果动态面板偏差会导致OLS估计量和组内估计量（FixedEffects）均不一致，即使样本量增大，估计结果也无法收敛到真实参数值，严重影响模型的因果推断可靠性。动态面板偏差的处理思路解决动态面板偏差的核心思路是通过差分变换（如一阶差分）消除个体固定效应，并引入合适的工具变量（如被解释变量的滞后项作为自身的工具变量），常用方法包括Arellano-Bond估计（GMM估计）等，利用矩条件实现一致估计。内生性问题的后果03无偏性丧失

无偏性的定义无偏性是指参数估计量的期望值等于真实参数值，是OLS估计的重要优良性质之一。

内生性导致无偏性丧失的原理当解释变量与误差项相关时，OLS估计量的期望值不再等于真实参数，即E(β̂₁)≠β₁，出现系统性偏差。

实例：遗漏变量导致的估计偏误研究教育年限对收入影响时，若遗漏“个人能力”变量，能力强的个体往往教育年限更长且收入更高，会导致OLS估计的教育回报率被高估。

偏误方向与程度偏误方向取决于内生变量与误差项的相关方向，程度则受相关性强弱及模型设定影响，可能高估或低估真实效应。一致性丧失

一致性的定义与重要性一致性是指随着样本量无限增大，估计量收敛于真实参数值的性质，是保证估计结果可靠性的核心标准之一。

内生性导致一致性丧失的原理当解释变量与误差项相关时，OLS估计量的概率极限不再等于真实参数，无论样本量如何增加，偏差始终存在，无法通过扩大样本改善。

实证案例：教育回报估计的偏差在教育对收入影响研究中，遗漏能力变量会使OLS估计的教育回报率偏高。某研究显示，控制能力变量后，教育系数从0.15降至0.08，印证一致性丧失后果。

与无偏性的区别与联系无偏性关注有限样本下估计量均值是否等于真实值，一致性关注大样本下的收敛性。内生性问题下，两者可能同时丧失，但一致性丧失对长期研究结论危害更根本。因果推断失效与政策误导

无偏性丧失：系统性偏离真实效应内生性导致OLS估计量不再无偏，系数可能系统性高估或低估真实因果效应。例如，遗漏能力变量会使教育对收入的回报估计偏高，而测量误差则可能导致系数向零偏误（AttenuationBias）。

一致性丧失：大样本下依然不可靠即使样本量趋于无穷，存在内生性时OLS估计量也无法收敛于真实参数值。这意味着无论数据量多大，基于内生性模型的结论仍可能持续偏离事实，无法通过增加样本改善。

因果关系混淆：相关性误读为因果性内生性使得回归结果难以区分相关关系与因果关系。例如，OLS发现社交媒体使用时长与幸福感负相关，但若存在反向因果（幸福感低者更依赖社交媒体），则无法得出社交媒体导致幸福感下降的结论。

政策建议偏差：基于错误估计的决策风险内生性导致的偏误可能误导政策制定。如某研究未控制行业竞争程度，高估企业研发投入对绩效的影响，可能导致政府过度补贴低效研发；而金融发展与经济增长的双向因果若被忽略，可能误判金融政策的实际效果。工具变量法04工具变量的基本原理工具变量的核心作用工具变量（IV）通过引入第三方外生变量Z，分离内生解释变量X中与误差项相关的部分，仅保留外生部分用于估计因果效应，从而消除内生性偏差。工具变量的两大核心条件相关性：工具变量Z必须与内生变量X高度相关（Cov(Z,X)≠0），可通过第一阶段回归F统计量（通常需>10）检验；外生性：Z与误差项u不相关（Cov(Z,u)=0），需基于理论和制度背景论证其仅通过X影响被解释变量Y。两阶段最小二乘法（2SLS）实现步骤第一阶段：用Z对X回归，得到X的预测值Ŷ（仅含外生信息）；第二阶段：用Ŷ替代原X对被解释变量Y回归，得到无偏的因果效应估计。例如研究教育对收入的影响，以“父亲教育年限”为IV，通过2SLS分离能力等遗漏变量的干扰。工具变量的两大核心条件相关性条件：工具变量与内生变量强相关工具变量（Z）必须与内生解释变量（X）高度相关，即Z能有效“带动”X的变化。统计学上通过第一阶段回归的F统计量检验，通常认为F值大于10时相关性较强，避免“弱工具变量”问题。外生性条件：工具变量与误差项无关工具变量（Z）必须与模型误差项（u）不相关，且只能通过影响内生变量（X）间接影响被解释变量（Y），无其他直接作用路径。此条件需基于理论和制度背景论证，如Angrist和Krueger使用“季度出生”作为教育年限的工具变量，认为其与个人能力等误差项因素无关。两阶段最小二乘法（2SLS）

2SLS的核心原理两阶段最小二乘法通过两步回归解决内生性：第一阶段用工具变量对内生解释变量回归，分离出外生部分；第二阶段用预测的内生变量对被解释变量回归，得到无偏估计。

第一阶段：分离内生变量的外生部分回归方程为X=α₀+α₁Z+v，其中X为内生解释变量，Z为工具变量。通过此回归得到X的预测值X̂，X̂仅包含Z带来的外生变异，剔除了与误差项相关的内生部分。

第二阶段：估计无偏因果效应回归方程为Y=β₀+β₁X̂+ε，用第一阶段得到的X̂替代原内生变量X。由于X̂与误差项ε不相关（因Z外生），此时β₁的估计量为一致估计，反映X对Y的真实因果效应。

2SLS的应用逻辑与优势以教育对收入的影响研究为例：第一阶段用父亲教育年限（Z）回归子女教育年限（X）得到X̂；第二阶段用X̂回归收入（Y），有效控制能力等遗漏变量偏差，较OLS更准确。工具变量的选择与构造思路

工具变量的“两大铁律”相关性：工具变量(Z)必须与内生解释变量(X)高度相关，可通过第一阶段回归F统计量检验（通常F>10）；外生性：工具变量(Z)必须与误差项(u)不相关，只能通过影响(X)间接影响(Y)，需理论和制度背景支撑。

自然实验类工具变量利用外生冲击如政策变动、自然灾害、地理位置等。例如Card和Krueger用“相邻州最低工资标准”研究就业影响；Angrist和Krueger用“季度出生”作为教育年限的工具变量，因入学年龄规定影响教育年限但与个人能力无关。

常规构造思路与类型包括历史变量（如Acemoglu等用殖民地死亡率作为制度质量工具变量）、地理气候变量（如地区到河流距离）、行业均值（排除自身的行业平均水平）、滞后变量（内生变量的前期值，需确保外生）等，需结合研究场景理论论证。弱工具变量问题及其检验

弱工具变量的定义与危害弱工具变量指工具变量（Z）与内生解释变量（X）相关性较弱（通常认为第一阶段回归F统计量<10）。其会导致IV估计量的标准误增大，甚至比OLS估计更差，产生严重的有限样本偏误。

弱工具变量的核心检验方法主要通过第一阶段回归的F统计量进行检验。若F统计量≥10，通常认为工具变量相关性较强；若F统计量<10，则需警惕弱工具变量问题。此外，对于多个工具变量，可采用Cragg-DonaldWaldF统计量进行联合检验。

弱工具变量的应对策略若存在弱工具变量，可考虑寻找更强的工具变量、采用有限信息最大似然估计（LIML）替代2SLS，或通过理论与文献支撑论证工具变量的合理性，必要时结合多种方法进行稳健性检验。工具变量外生性的论证与检验

01外生性的核心内涵：与误差项无关工具变量外生性要求工具变量Z与模型误差项u不相关，即Cov(Z,u)=0。这意味着Z必须排除在所有未观测到的影响被解释变量Y的因素之外，仅通过影响内生解释变量X来间接作用于Y。

02理论与制度背景：外生性论证的基石外生性无法通过统计方法直接验证，需依赖经济理论和制度背景进行逻辑论证。例如，Angrist和Krueger使用“季度出生”作为教育年限的工具变量，其外生性基于“出生季度与个人能力、收入等核心遗漏变量无关”的制度逻辑。

03过度识别检验：多工具变量的外生性联合验证当工具变量数量大于内生解释变量数量时，可通过HansenJ检验进行过度识别检验。其原假设为所有工具变量均满足外生性，若检验结果不拒绝原假设（如p值大于0.1），则为外生性提供间接支持。

04安慰剂检验与稳健性分析：排除直接影响路径通过构造伪工具变量或替换样本区间进行安慰剂检验，若伪工具变量估计结果不显著，可增强原工具变量外生性的可信度。例如，在研究政策冲击时，使用政策实施前的“假工具变量”进行回归，若结果无效应则支持外生性。其他内生性处理方法05面板数据模型

面板数据模型的核心优势面板数据模型通过同时利用时间序列和横截面数据，能够有效控制个体固定效应（如个人能力、企业特质等不随时间变化的变量），从而减少遗漏变量导致的内生性问题，提升估计结果的可靠性。

固定效应模型（FE）的应用逻辑固定效应模型通过组内差分或虚拟变量法，消除不随时间变化的个体效应，适用于处理不随时间变化的遗漏变量。例如，在企业绩效研究中，可控制企业所有制、地理位置等固定特征对结果的影响。

随机效应模型（RE）的适用场景随机效应模型假设个体效应是随机分布的，与解释变量不相关，适用于个体差异较小且样本随机性较好的场景。通过广义最小二乘法（GLS）估计，可提高模型估计效率，但需通过Hausman检验判断与固定效应模型的适用性。

动态面板模型与内生性处理动态面板模型（如Arellano-Bond估计）适用于被解释变量滞后项作为解释变量的场景，通过一阶差分消除个体效应，并利用滞后变量作为工具变量解决内生性，常见于政策评估和企业行为动态分析中。双重差分法（DID）DID的核心逻辑与基本框架双重差分法通过比较"处理组（受政策干预）"与"对照组（未受干预）"在"政策实施前后"的差异，有效控制不随时间变化的个体效应和随时间变化的共同趋势，从而分离出政策的净效应。基本模型设定为：Y=α+β*Treatment*Post+γ*Treatment+δ*Post+ε，其中β为DID估计量即政策效应。DID的关键假设：平行趋势检验平行趋势假设是DID有效性的核心前提，要求在政策实施前，处理组与对照组的结果变量具有相同的变化趋势。可通过绘制组间趋势图或加入交互项回归进行检验。例如，在最低工资对就业影响研究中，需验证政策实施前处理州与对照州的就业率趋势是否平行。DID的实施步骤与案例应用实施步骤包括：1.确定处理组与对照组；2.定义政策实施时间节点；3.构建交互项Treatment*Post；4.控制其他协变量并进行回归；5.进行平行趋势等稳健性检验。经典案例如Card和Krueger研究最低工资效应，利用新泽西州（处理组）与宾夕法尼亚州（对照组）快餐店就业数据，通过DID发现最低工资提升未显著减少就业。DID的拓展与局限拓展方法包括多期DID（适用于政策分阶段实施）、三重差分法（DIDID，引入第三个维度控制干扰）等。局限主要在于严格依赖平行趋势假设，且无法完全解决随时间变化的组间差异混淆问题。实际应用中需结合事件研究法等进行补充验证。倾向值匹配（PSM）PSM的核心原理倾向值匹配通过计算个体接受处理的概率（倾向值），为每个处理组个体匹配特征相似的对照组个体，从而有效控制可观测变量导致的内生性偏差，尤其适用于解决自选择偏误问题。基本实施步骤首先基于可观测协变量构建倾向值模型（如Logit回归）；其次根据倾向值采用最近邻匹配、半径匹配等方法进行样本配对；最后比较匹配后处理组与对照组的结果差异，得到平均处理效应（ATE/ATT）。适用场景与局限适用于非实验数据的政策评估（如培训对收入的影响），但无法解决不可观测变量的内生性问题。匹配质量依赖协变量的全面性，常见检验方法包括平衡性检验（确保匹配后协变量无系统性差异）。断点回归设计（RDD）

RDD的核心原理断点回归设计利用某一明确阈值处的政策变化或自然分组规则，通过比较阈值附近个体的结果差异来识别因果效应。其核心逻辑是：在阈值附近，个体接受处理的概率发生跳跃，而其他特征在阈值两侧应近似连续分布，从而排除非观测因素的干扰。

RDD的适用场景适用于存在明确分配规则（如考试分数线、政策实施临界值）的场景，例如：高校录取分数线对学生未来收入的影响（分数高于线的学生被录取）、最低法定饮酒年龄对交通事故率的影响（年龄达标者可饮酒）等。

RDD的关键假设与检验关键假设包括：个体无法精确操控阈值变量（避免自选择）、除处理状态外其他协变量在阈值处连续。需通过密度检验（检验阈值处样本分布是否异常）、协变量连续性检验等方法验证假设有效性。

RDD的估计步骤1.确定阈值变量与断点；2.选择带宽（控制阈值附近样本范围）；3.分别对阈值两侧样本进行回归，估计断点处的跳跃幅度；4.进行稳健性检验（如改变带宽、安慰剂检验）。广义矩估计（GMM）

01GMM的基本原理与优势广义矩估计（GMM）是工具变量法的扩展，通过利用多个矩条件提高估计效率，尤其适用于存在多个内生解释变量和异方差的复杂场景。其核心思想是使模型残差的加权平方和最小化，不依赖严格的分布假设。

02GMM与传统IV的关键区别与仅使用单一工具变量的IV法不同，GMM可整合多个工具变量形成矩条件，通过最优权重矩阵实现更有效的估计。当工具变量数量大于内生变量数量时，GMM能通过过度识别检验判断工具变量的整体有效性。

03动态面板中的GMM应用在动态面板模型（如被解释变量滞后项作为解释变量）中，GMM通过差分变换消除个体固定效应，并利用内生变量的滞后项作为工具变量（Arellano-Bond估计量），有效解决动态面板偏差，广泛应用于企业投资、经济增长等研究。内生性问题的检验方法06Hausman检验

Hausman检验的基本思想通过比较OLS估计与IV估计结果的显著性差异来判断内生性。若所有变量都是外生的，OLS和IV估计应一致；若结果明显不同，则断定存在内生性问题。

Hausman检验的操作前提实施Hausman检验的前提是需要找到一个外生变量作为工具变量，用于构建IV估计量，以便与OLS估计量进行对比分析。

Hausman检验的Stata实现示例在Stata中，可通过以下命令实现：先进行OLS回归（regyx1x2）并存储结果（estimatesstoreols），再进行IV回归（ivregress2slsyx1(x2=z1z2)）并存储结果（estimatesstoreiv），最后执行Hausman检验（hausmanivols,constantsigmamore）。若p值小于设定的显著性水平（如0.05），则认为存在内生性。OLS与IV估计结果比较估计一致性差异当存在内生性时，OLS估计量非一致，随样本量增大无法收敛于真实值；IV估计量在满足工具变量条件时具有一致性，能趋近真实参数。系数大小与方向对比以企业研发投入与绩效研究为例，未控制行业竞争时OLS估计研发投入系数较大，加入控制变量后系数降半；数字金融对农户创业影响研究中，OLS估计创业概率增加5%，IV估计（以村通4G为工具变量）降至2%。估计效率权衡无内生性时，OLS估计更有效，标准差更小；内生性严重时需优先采用IV，但弱工具变量可能导致IV估计标准差增大，效率降低甚至结果更差。内生性检验应用通过比较OLS与IV估计结果显著性差异检验内生性。若结果差异显著（如Hausman检验p值<0.05），则判断存在内生性，应优先采用IV估计结果。过度识别检验

过度识别检验的适用场景当工具变量数量（K）大于内生解释变量数量（M）时，即K>M，可进行过度识别检验，用于评估工具变量外生性假设的合理性。HansenJ检验的核心思想通过验证所有工具变量与误差项的正交性来判断外生性。原假设为所有工具变量均满足外生性，若拒绝原假设，则至少存在一个工具变量不满足外生性。HansenJ检验的统计实现在Stata中可通过ivregress2sls后添加estatoverid命令实现，输出J统计量和p值。若p值大于0.05（通常显著性水平），则无法拒绝所有工具变量外生的假设。检验结果的解读与局限该检验仅能辅助判断工具变量整体外生性，无法识别具体哪个工具变量失效；且依赖模型设定正确，若存在模型形式误设，检验结果可能不可靠。内生性处理的应用场景与案例07经济学研究中的应用政策效果评估在评估最低工资政策对就业的影响时，可利用相邻州的最低工资标准作为工具变量，以控制地区经济差异等内生性因素，更准确识别政策效应。金融发展与经济增长关系研究针对金融发展与经济增长的双向因果关系，可采用国际货币基金组织的贷款条件等外生政策冲击作为工具变量，分离金融发展对经济增长的独立影响。企业行为与绩效分析研究企业研发投入对绩效的影响时，遗漏行业竞争程度等变量会导致内生性偏差。引入行业层面的外生冲击（如技术标准变更）作为工具变量，可有效控制遗漏变量问题。教育回报与劳动力市场研究估计教育年限对收入的因果效应时，个人能力等遗漏变量会高估教育回报。采用“季度出生”等自然实验类工具变量，可剥离能力因素，得到更可靠的教育回报率估计。社会科学研究中的应用

经济学：政策效果评估与因果推断在经济学研究中，内生性问题广泛存在于政策效果评估（如最低工资对就业的影响