我们考虑一个人工群体，由具有前瞻性的异质代理组成，根据一套针对大量程式化事实校准的行为模型，在上学、就业、培训就业和家庭生产之间做出决策。其中一些中介受到政策干预(高等教育补贴)的影响，政策干预根据他们的慷慨程度而有所不同。我们评估了工具变量(IV)方法恢复人口局部平均处理效果(LATE)的能力，并分析了在动态经济模型中使用强工具的经济含义。我们还检验了两种可能用于改进经典线性IV的抽样设计的性能;回归-不连续(RD)设计和基于年龄的抽样设计，目标是职业生涯早期的工资。最后，我们研究了IV估计替代“因果”参数的能力。经典线性IV的失败是惊人的。IV无法恢复真正的LATE，即使是在模型的静态版本中。在某些情况下，这一估计超出了重返学校的人口分布的支持范围，几乎是LATE人口的两倍。工具的统计能力与政策冲击造成的动态自我选择之间的权衡意味着，使用“强大工具”不一定是可取的。 There appears to be no obvious realistic sampling design that can guarantee IV accuracy. Finally, IV also fails to estimate the reduced-form marginal effect of schooling on wages of those affected by the experiment. Within a dynamic setting, IV is deprived of any “causal” substance.