用途：该技能面向处理变量内生时的因果推断，提供工具变量/两阶段最小二乘（IV/2SLS）估计与倾向得分匹配（PSM）两类方法。当处理内生且存在有效工具时用 IV/2SLS；当“依可观测变量选择”假设可信且协变量丰富时用 PSM；仅有可观测选择且工具有限时用 OLS 加控制变量。
主要能力：识别有效工具需满足相关性、排他性约束与独立性；执行两阶段最小二乘；进行工具有效性诊断；实现 PSM 并估计 ATT。
使用方式：Python 用 linearmodels 的 IV2SLS.from_formula('y ~ 1 + w1 + w2 + [x_endog ~ z1 + z2]', data=df)，fit(cov_type='robust')，并查看 result.first_stage.diagnostics；R 用 AER 的 ivreg(y ~ x_endog + w1 + w2 | z1 + z2 + w1 + w2, data = df)，summary(iv_model, diagnostics = TRUE)；Stata 用 ivregress 2sls y w1 w2 (x_endog = z1 z2), robust first，配合 estat firststage、estat endogenous、estat overid。PSM 可用 sklearn 逻辑回归估计倾向得分、检查共同支撑、最近邻匹配并计算 ATT，或用 R 的 MatchIt、Stata 的 psmatch2。
关键诊断：第一阶段 F 统计量（F>10 视为工具相关，理想>16.4）、Wu-Hausman 内生性检验、Sargan-Hansen 过度识别检验、弱工具下的 Anderson-Rubin。
适用场景：经济学与社会科学实证研究中的内生处理效应估计。
限制与注意：排他性约束无法统计检验，须给出论证；IV 估计的是依从者的局部平均处理效应（LATE）而非总体平均处理效应（ATE）；弱工具下应改用 LIML 或 Anderson-Rubin 置信集；PSM 需检查共同支撑；Bartik 工具需注意标准误聚类层级。报告时应展示第一阶段结果、并列 OLS 与 IV、说明排他性论证并报告 Sargan p 值。更多内容（控制函数、shift-share 工具、敏感性分析等）见 references/iv-reference.md。