1.遗漏变量
2.测量误差
3.互为因果

互为因果就是解释变量的内生性问题，内生性问题是导致解释变量和误差项相关的一个原因吧

导致内生性的原因
1.模型设定的错误（遗漏变量）
举例：经验和教育对工资的影响
解决办法：
代理变量；（用IQ来代理智商）
工具变量；
面板数据。（面板数据是追踪调查的）
2.测量误差
只要是非随机的错（系统性偏差），不论在X还是Y上，都是有偏的。
- Y的测量误差：X随机的错没事；X非随机的错就是有偏的。
- X的测量误差：X随机的错是有偏的；X非随机的错就是有偏的。（随机、非随机都不行）
3.联立性（反向因果）
很常见的导致内生性的问题
4.样本选择问题 sample selection
举例：
-  打固定电话来进行调查，那有可能被试者大多数是老年人
随机抽到了战乱地区，自己不敢去
投保人的个人健康状况一般较差，并愿意支付更高的保费

大样本下，存在内生性的ols估计量仍然不一致。

内生变量的探查：是不是遗漏变量？是不是有测量误差？是不是有反向因果？是不是有样本选择？

因为遗漏变量和反向因果非常普遍，所以几乎所有的文章都存在内生性的问题。所以一般的文章不只是用ols，还会附上内生性的解决方法。