找工具变量有点像组建证人团：人多不等于口供更可靠，只要其中有人暗中受别的因素影响，整套因果推断就可能跑偏。工具变量是能推动处理发生、却不应绕过处理直接影响结果，也不应与隐藏因素相关的外部变化。现实里候选项常常真假混杂，而处理效果还可能因人或情境而变，传统诊断依赖的“效果人人相同”假设便不再稳妥。
Guo 等人提出 Cross Auxiliary-based Independence Test（CAT，交叉辅助独立性检验），用于判断一整组候选工具变量能否成套使用。它的关键不是逐个盖章，而是借助不同候选工具构造交叉辅助量，再检查应有的统计独立关系。论文证明：在“完备性”等条件下，只要 CAT 条件被违反，这组工具就不可能全部有效；再加上交叉分布非退化条件，CAT 还能成为有效性的充要条件。作者还把方法扩展到含协变量和有限样本的场景，并在合成数据及三个真实数据集上实验。具体可靠性仍取决于这些理论前提，材料未披露可概括的效果数字。