利用工具变量来纠正二元回归函数中的错误分类的估计器通常假设错误分类率在所有工具值上是不变的。我们表明，这个假设是无效的常规经验设置。我们推导了一个新的估计量，当误分类率随工具变量的值而变化时，该估计量是一致的。在识别性较弱的情况下，我们的矩可以与边界结合起来，为感兴趣的参数提供一个置信度集。