你想判断一场交通事故怪司机还是怪路面，却发现谨慎的司机常走好路，危险路段也会改变司机的动作。只看事故记录，很容易把两种影响混在一起。次贷危机的归因也有类似难题：放贷标准变松和房价下跌彼此纠缠，数据本身还可能测不准。Christopher Palmer 的新研究试图把这些因素拆开，让内生变量不再假装自己只是无辜的旁观者。
据 MIT Sloan 介绍，Palmer 是该院金融学副教授，论文已列为《Journal of Finance》即将刊发作品。本文数字与结论主要来自论文摘要及作者所在机构介绍，尚无外部复现或独立数据交叉验证。
先把纠缠拆开
论文研究的是 2003 至 2007 年发放的次级按揭批次。这里的“批次”，就是按贷款发放年份分组。论文称，这些批次之间的止赎率增至原来的三倍，但摘要没有披露起止比例、样本范围和具体统计口径，因此不能把它扩写成全美总体事实。
研究使用风险率模型（hazard model）：在一笔贷款此前尚未违约的前提下，估计它下一阶段发生违约或止赎的概率。麻烦在于，模型里的房价、信贷标准或借款人风险可能存在内生性——它们既影响违约，也可能和当地经济等共同因素一起变化。相关性于是很容易被误读成因果。数据中的房价或风险指标还可能有测量误差，进一步带偏结果。
Palmer 为此提出控制函数方法。直观地说，它先尝试识别解释变量中“与其他因素纠缠”或“测得不准”的部分，再把这部分纳入模型，重新估计违约风险。作者将其概括为可处理内生或误测回归变量，但摘要没有展示适用条件、具体检验或与其他估计方法的比较。
房价不是普通相关项
为了识别房价对违约的因果影响，研究使用多种工具变量（instrumental variable），其中包括历史房价周期性的差异。工具变量可以理解为一个外部推手：它会推动房价变化，却不应通过其他路径直接改变违约。借助这类变化，研究者希望把房价本身的作用从信贷标准和其他共同因素中分离出来。
论文的估计结果是：房价下降 10%，次级抵押贷款违约率会上升约 50%。这里的 50% 是该模型对样本的相对增幅估计，不是上升 50 个百分点。论文同时认为，宽松信贷在危机中发挥了显著作用；但不同批次之间违约增长的大部分，来自与放贷标准无关的房价下跌。
为什么值得关注
这项工作的价值不只是重新分配“危机责任”。它提醒我们，风险模型中的关键变量往往不是静止、独立、测量准确的标签。若直接把它们塞进回归，模型可能给出很精确的数字，却回答了错误的因果问题。控制函数方法提供了一套重新审视这类数字的工具，也让“信贷放得太松”和“房价跌得太狠”可以在同一框架下比较。
局限与未知
- “大部分由房价下跌造成”依赖工具变量有效、排除限制成立以及模型设定合理，不能视为无条件定论。
- 摘要没有给出宽松信贷的效应量、统计显著性细节，也没有披露方法检验和估计量对比。
- 所有效果论断目前来自同一篇论文及作者所在机构的介绍，仍需外部复现。