本文考虑处理效应评估的统计方法在经济学、生物学和医药学等许多社会科学中，人们经常关心处理效应的评估问题这个问题最初来源于评价一种新药有没有疗效，而后人们把它扩展到很多领域，并得到了广泛的应用例如，劳动力市场项目实施的效果评估；大学学历的取得对日后工作收入产生的影响研究等等人们评估处理效应的最直接的方法是比较处理组与对照组的平均输出然而，这种方法通常会导致处理效应估计产生选择性偏差在随机化试验中，处理变量的随机化分配能够克服这种偏差然而，随机化实验经常面I临着实施困难、耗时长和花费高等问题因此，在大多数情况下，这样的试验是不实用的大多数研究者试图利用更便宜的且在现实里已经观测到的资源来克服随机化实验面临的上述问题我们希望寻找自然的实验或拟试验去模拟随机化实验，所使用的方法是我们仅改变感兴趣的变量而保持其他的因素不变这种拟随机化分配就是我们在文中所说的无混杂分配在观测研究中，这种无混杂分配能够克服选择性偏差并且在这个假设下，回归、匹配和倾向得分等方法都可以用于评估处理效应本文中，我们考虑的是当存在误分类的情况下评估处理效应的相关问题在实际问题中，处理变量可能会发生误测或误报，一些个体被记录已经接到处理，而实际上并未接到处理；或者一些个体被记录没有接到处理，但实际上已经接到处理这种处理变量产生测量误差的情况被研究者们称之为误分类在“大学学历的取得对日后工作收入产生的影响研究”这个例子中，“获得大学学历或者未获得大学学历”这个处理变量可能会有误分类发生在实际调查过程中，“是否获得大学学历”可能会发生误报或说谎等情况如果我们在做估计的过程中忽略这样的误分类问题，那么所得到的处理效应估计就会产生偏差所以，在评估处理效应时，我们考虑误分类是很有意义的我们使用工具变量来解决误分类所产生的偏差问题，要求工具变量要条件独立于处理效应在“大学学历的取得对日后工作收入产生的影响研究”的例子中，我们可以选择“离最近的大学的距离”作为“获得大学学历或者未获得大学学历”这个处理变量的工具变量当然，这种选择不是唯一的，我们也可以选用其他变量作为“获得大学学历或者未获得大学学历”这个处理变量的工具变量在存在误分类的情况下，利用工具变量，我们可以估计真实的处理效应我们选择使用比效应去评估处理效应这是因为在某些情况下，相对效应(也叫比效应)比差效应(也叫绝对效应)更适合去评估处理效应，而且相对效应能够评估差效应所不能评估的效应在本文中，我们给出了当存在误分类时，真实相对平均处理效应与误测的相对下均处理效应之间存在非线性单调增加的函数关系并证明了忽略误分类会导致相对平均处理效应的估计产生偏差通过假设对每个真实处理变量存在一个工具变量，得到了这样的结论：在一定合理的假设下，真实相对下均处理效应是可以识别的最后，我们用条件广义矩估计方法给出了真实相对下均处理效应的估计