Nature计算科学综述：经由准实验，从观察数据中推测因果关系(6)

工具变量分析要求的另一个关键假设是单调性或无关假设：当受到工具变量的影响时，研究人员的数据样本中没有患者接受了反向治疗[29]。在上面的例子中，如果一些州违背了国家的政策，阻止年龄较晚的个人进入学校，这将产生与其他州相反的效果。此外，成功的工具变量必须与干预密切相关，因为弱相关的工具变量缺乏精确度，无法产生实际上有用的估计。必须确保这些假设得到满足，违反任何这些假设都可能威胁到结论的可信度。
例如，虽然天气是工具变量分析中常用的工具变量[29, 30]——因为天气的变化似乎是随机的——但它可能并不总是合适，这取决于具体的因果问题。对一位行为科学家而言，他希望研究锻炼对心理健康的影响，并计划利用气温作为衡量个人锻炼量的工具变量。虽然这很直观（温度使得个人锻炼的数量可以随机出现），但实际上温度可能与锻炼只有微弱的相关性（例如，人们倾向于在室内锻炼，所以室外温度不是很重要）；或者更令人担忧的是，这可能违反了无关假设（温度也可能经由锻炼之外影响心理健康，例如通过季节性情绪失调）。在这种情况下，虽然天气似乎是一个很好的工具变量，仔细考虑便会发现该设计是有缺陷的。
只要我们找到一个合适的工具，使这些假设看似合理，工具变量分析可以广泛用于许多学科，以利用可观测的随机性来源估计非实验数据的因果效应（表1）。

表1. 准实验的现有研究和机会
4. 准实验策略之断点回归
利用自然发生的随机性来估计因果关系的另一种方法是断点回归（Regression discontinuity designs）[32]。在断点回归中，干预变量X是某一连续变量R的跳跃点，其中R可能是年龄、考试或血压读数。因为跳跃点并非渐变（例如，如果年龄在50岁或以上，患者得到癌症筛查，抑或是没有得到），x 值是准随机的，可允许对干预 x 对结果 y 的因果影响进行估计（图3a）。