你想判断降价是否带来销量增长，于是先扣掉门店差异、季节波动和全行业促销。这样做更公平，但也可能把真正推动价格变化的部分一起扣掉。最后留下的数据很“干净”，却未必还足以回答原来的问题。
Ulrich Hounyo 的论文研究的正是这件事：实证分析去除固定效应、潜在因子或高维控制以后，还有多少识别信息留下。固定效应（fixed effects）用单位或时间标记吸收长期个体差异及共同冲击；潜在因子则描述数据里没有直接观测、却同时影响许多对象的共同成分。它们能减少混杂，也可能同步消掉目标关系赖以成立的变化。
论文讨论线性面板工具变量模型。面板数据是在多个单位、多个时期反复观察；工具变量（instrumental variable，IV）利用一种影响处理、但不通过其他路径直接影响结果的外部变化来识别因果效应。全文的中心判断很简单：不能只问工具变量在原始数据里强不强，而要问经过最终预处理后，实际拿来估计的那部分变化还强不强。
本文的理论、模拟和国际货币应用均来自这一篇论文，尚无独立信源交叉验证。
清理数据，也会改变问题
这里的“投影”可以理解为先从变量中减去控制项能够解释的部分，再拿剩余部分估计。被消掉的是干扰参数（nuisance parameter）——它们不是研究目标，却可能混淆目标关系。
论文先强调一个容易忽视的要求：结果变量、内生解释变量和工具变量应接受同一个、与方程兼容的投影。如果分别使用不同的最终投影，变换后的变量可能已不再满足同一条结构方程。作者给出条件，说明何时一个共同的双侧投影可以在清除干扰成分的同时，保留结构系数和投影后的简化式关系。
这只是第一关。即使方程被完整保留下来，工具变量提供的变化也可能所剩无几。论文用投影后的 Jacobian 判断这一点。Jacobian 是参数稍微变化时，统计矩条件会跟着变化多少的导数。若某个参数方向变化了，投影后的矩条件几乎不动，数据就很难区分这个方向上的不同答案。
因此，Jacobian 的秩决定还能识别多少个结构方向；奇异值衡量每个方向剩余的相关性；对应的子空间则说明数据究竟支持哪些参数组合。识别并非总是“有”或“没有”：一个政策系数组合可能很清楚，另一个组合却很弱。
有信号，还要看噪声
只看剩余信号仍不够。论文的第二个对象是 projected-score law，即投影后得分统计量的概率规律。它描述剩余矩条件会怎样随机波动，也就是这些信号能测得多准。
在 Gaussian fixed-rank strata——得分极限服从高斯分布、相关矩阵的秩固定且远离秩变化边界的情形——作者把 Jacobian 与得分协方差组合成 Projected Information Matrix（PIM，投影信息矩阵）。它的零空间对应投影后无法区分的结构方向；特征值越小，那个方向的局部信息越少；条件数很大，则说明不同方向的信息强弱非常不均衡。
这也解释了为什么稳健标准误不能补回被删除的信号。它只能衡量幸存变化的不确定性，不能重新创造已被投影消掉的变化。
论文还讨论双向依赖：单位之间可能相关，时期之间也可能相关。此时信息未必按“单位数乘以时期数”增长。增加更多时期，或许能帮助估计共同因子，却不一定增加一阶的工具变量信息。真正的累积速度取决于工具变量在哪里变化，以及这些变化有多少能穿过投影留下来。
当剩余工具与处理的联系太弱，就进入弱识别（weak identification）：估计值容易大幅摆动，常规置信区间和显著性检验也可能误导。论文据此推导按不同面板维度累积信息的弱识别极限，并提出对投影后奇异值、秩、子空间和 PIM 进行推断的方法。
一个“超过 500”的警报
论文的模拟给出一个醒目的例子：混杂的共同因子让原始第一阶段统计量的中位数超过 500，但 IV 估计的中位数仍落在错误的符号一侧。第一阶段统计量通常用来观察工具变量能否推动内生解释变量；这个数字看起来极强，却测量的是投影前的原始关联。
采用与方程兼容的投影后，估计向真实值移动；投影后的 Jacobian 和 PIM 同时揭示，有效信息与原始关联并不是一回事。这个结果不能被解读为“第一阶段统计量超过 500 也普遍不可信”。它只说明在论文的特定模拟设定中，投影前诊断与最终模型实际使用的信息发生了错位。
作者还处理了可行性问题。现实中，潜在因子并不知道，需要从数据估计。适合预测的因子估计，未必精确到足以支撑弱识别推断。论文给出 factor-transfer 条件：因子空间的估计误差必须相对于幸存信息的尺度足够小，才能把理想化的“已知投影”结果转移到实际估计的投影上。
推断方面，论文区分两种稳健性。识别稳健要求检验在工具变量很弱时仍有效；依赖稳健则要求临界值能反映投影后的双向相关。作者采用 Anderson–Rubin 检验绕开不稳定的第一阶段分母，并为非高斯的单位—时间交互极限提供 bootstrap。Bootstrap 是从数据构造重复样本，用来近似统计量的不确定性分布；这里它要复现的是投影后设计产生的完整波动，而不只是一张协方差矩阵。
实证结论也可能随之改写
在论文的国际货币应用中，传统固定效应估计显示外国经济产出持续收缩；加入共同投影后，估计路径向零移动，并在五年处转为正值。作者将其概括为：表面上的 foreign-output persistence 被明显削弱。
但这里出现了一个值得细看之处：投影后的 Jacobian 下降，第一阶段统计量和 PIM 却上升，因为得分波动下降得更快。换句话说，相关性、矩条件对参数的敏感度，以及经过噪声校正后的信息量，回答的是三个不同问题，不能拿一个数字代替全部诊断。
与此同时，以高斯分布作参照的 Anderson–Rubin 置信集仍然无界。这意味着在该设定下，数据无法给参数划出一个有限的识别稳健范围。点估计路径发生变化，不等于不确定性已经消失。
为什么值得关注
这篇论文真正改变的是检查顺序。过去常见的做法是先在原始数据里查看工具变量强度，再去除固定效应或共同因子，最后配上稳健标准误。作者认为，诊断必须与最终估计使用同一套投影矩条件和依赖结构。
因此，应用研究不应只报告一个投影前的第一阶段数字。论文建议同时查看幸存的工具变量变化、投影后 Jacobian 的谱、得分不确定性、PIM 或完整得分分布、有效秩，以及识别稳健置信集。这些诊断能说明数据还支持哪些结构结论，但不能证明工具变量本身有效。
局限与未知
- 模拟中的“错误符号”很醒目，但材料未交代其判定标准、发生频率和比较基准，不能泛化为常规第一阶段诊断普遍失效。
- 国际货币应用没有在所给材料中披露样本范围、投影前后完整估计值、误差、显著性及置信水平，因此“明显削弱”和“置信集无界”仍缺少量化语境。
- PIM 依赖高斯、固定秩且远离秩边界的分层条件；非高斯交互极限需要完整得分规律与 bootstrap。论文提供了相应理论路线，但具体应用仍须逐项核验条件与代码复现。