在本文中，我重新探讨了线性工具变量(IV)估计作为条件局部平均治疗效果(LATEs)的加权平均值的解释。我关注的是一种实际相关的情况，在这种情况下，需要额外的协变量来识别，而简化形式和第一阶段回归隐含地限制了工具的影响是同质的，因此可能是错误指定的。我证明了一些条件LATEs的权重为负，并且IV估计在较弱的单调性版本下不再可解释为因果效应，即在某些协变量值上有遵从者但没有违抗者，而在其他地方有违抗者但没有遵从者。负权重的问题在Angrist和Imbens(1995)的过度识别的规范中消失了，在我开发的另一种称为“reordered IV”的方法中也消失了。即使所有的权重都是正的，在刚刚确定的规范中的IV估计也不能解释为无条件的LATE参数，除非具有不同仪器值的组大小大致相等。我在大学教育因果效应的应用中说明了我的发现，使用大学邻近性工具。基准估计表明，上大学能带来约60个对数点的收入增长，这远远超出了最近文献的估计范围。我证明了这个结果是由反对者的存在和负权重的存在所驱动的。经过修正的估计表明，上大学会使收入增加大约20%。