本次推荐论文为：Joshua, D. Angrist, Guido W. Imbens and Donald B. Rubin. 1996. "Identification of Causal Effects using Instrumental Variables", JASA, Vol. 91, No. 434.

推荐理由： 工具变量法是过去二十多年间用于识别因果效应的最常用方法，也是整个应用计量领域在估计线性方程时除了OLS方法之外应用最广泛的计量分析方法。工具变量法为解决遗漏变量、测量误差和联立性问题所引起的内生性偏误提供了强有力的应用计量工具，极大的推动了现代应用计量的发展。Angrist和Imbens是工具变量法的开创者和积极推动者，Rubin是应用统计方法推断因果效应的积极推动者。他们三人合作的这篇文章在Rubin著名的Rubin Causal Model （RCM）的框架下介绍了IV方法在识别因果效应上的应用，给出了IV用于识别因果效应所需要的假设，指出了IV所识别的因果效应是对于Compliers这个群体的平均处理效应（Local Average Treatment Effect, LATE），并间或讨论了Intention-to-Treat和LATE的关系。

前贴：
推荐论文-1：https://bbs.pinggu.org/thread-2744225-1-1.html
推荐论文-2：https://bbs.pinggu.org/thread-2746058-1-1.html

注：要讨论因果关系和因果关系的识别，首先需要界定何谓因果关系。此处所讨论的因果效应（causal effect），通俗的讲，是指在一个理想的随机化控制实验中，一个给定的干预或处理（treatment）对特定结果的影响，即在给定其他条件不变的情况下，A 的变化所引起的B 的变化。在我们常见的OLS框架下，“给定其他条件不变”对应着零条件均值假定。如果A对B有因果效应，则说存在A到B的因果关系。所谓“识别”，identfication， 则是指采用某种计量方法，使用样本数据来推断出总体关系。即利用样本数据和计量方法，得出在总体中A的变化能够带来的B的变化的大小，也即总体参数的大小。