定义 联立方程规范指通过引入工具变量，将内生解释变量替换为外生变量，以消除内生性偏误的计量模型设定。
从哪来 本知识点为高三数学第1讲起点，图谱中未记录前置知识点，故基于数学逻辑独立构建，不依赖其他前置内容。
为什么 在经典线性回归中，若解释变量与误差项相关（内生性），最小二乘估计量将不再无偏且不一致。联立方程规范的核心逻辑是“分离”：利用外生变量（工具变量）作为内生变量的代理，切断内生变量与误差项的直接关联，从而恢复因果推断的有效性。这本质上是利用线性代数中投影几何的思想，将估计量投影到由外生变量张成的子空间上，以消除内生性带来的偏差。
讲法
适合：逻辑抽象能力强、偏好代数推导的学生
从代数角度切入。设模型 $y = \beta x + u$，其中 $x$ 内生，即 $Cov(x,u) \neq 0$。OLS估计量 $\hat{\beta}_{OLS} = \beta + (\sum x_i^2)^{-1}\sum x_i u_i$，由于 $x$ 与 $u$ 相关，期望值不为零，产生偏误。引入工具变量 $z$，满足 $Cov(z,x) \neq 0$ 且 $Cov(z,u) = 0$。构造IV估计量 $\hat{\beta}_{IV} = \frac{\sum z_i y_i}{\sum z_i x_i}$。代入 $y$ 后，$\hat{\beta}_{IV} = \beta + \frac{\sum z_i u_i}{\sum z_i x_i}$。当样本量 $n \to \infty$ 时，由大数定律，$\frac{1}{n}\sum z_i u_i \to E[z_i u_i] = 0$，而 $\frac{1}{n}\sum z_i x_i \to E[z_i x_i] \neq 0$，故 $\hat{\beta}_{IV} \xrightarrow{p} \beta$。强调“相关性”是工具变量有效性的代数基础。
讲法
适合：直观思维强、偏好几何图像的学生
用几何投影解释。OLS是将 $y$ 投影到 $x$ 上，若 $x$ 与误差 $u$ 相关，投影方向被“污染”，导致系数估计偏离真实值。IV方法则是将 $x$ 投影到 $z$ 上，得到 $x$ 的外生部分 $\hat{x}$，再将 $y$ 投影到 $\hat{x}$ 上。因为 $z$ 与 $u$ 不相关，$\hat{x}$ 也仅包含与 $u$ 无关的信息，从而“清洗”了内生性。画图展示：$x$ 向量分解为沿 $z$ 方向和不沿 $z$ 方向两部分，只保留沿 $z$ 方向的部分用于回归。
讲法
适合：应用导向、偏好案例类比的学生
用“中介人”类比。假设你想研究“教育年限”对“收入”的影响，但教育年限与个人能力（误差项）相关。你无法直接测量能力，但发现“出生地到大学距离”影响教育年限，却与个人能力无关。这个“距离”就是工具变量。它像一个“中介”，传递了教育对收入的因果效应，但过滤掉了能力的干扰。强调工具变量必须“相关”（能传递信息）且“外生”（不携带干扰信息）。