Identification in Dynamic Dyadic Network Formation Models with Fixed Effects

Diese Arbeit liefert Identifikationsresultate für dynamische dyadische Netzwerkformationsmodelle mit Fixeffekten, indem sie zwei komplementäre Ansätze zur Behandlung unbeobachteter Heterogenität kombiniert und unter bestimmten Annahmen über die Fehlerverteilung und die Struktur der Fixeffekte eine exakte bedingte Logit-Repräsentation sowie hinreichende Bedingungen für eine punktuelle Identifikation herleitet.

Das Wesentliche

Stellen Sie sich vor, Sie beobachten ein riesiges, sich ständig veränderndes Netzwerk von Freundschaften – vielleicht in einer Schule, einem Unternehmen oder sogar in einem sozialen Netzwerk wie Instagram. Die große Frage, die sich Ökonomen und Datenwissenschaftler stellen, lautet: Warum bilden sich bestimmte Freundschaften und andere nicht?

Dieses Papier von Wayne Yuan Gao und Yi Niu ist wie ein hochmodernes Werkzeugkasten-Set, um genau diese Frage zu beantworten, auch wenn die Daten sehr komplex und „verrauscht" sind.

Hier ist die Erklärung in einfachen Worten, mit ein paar anschaulichen Vergleichen:

1. Das Problem: Der „Geister-Effekt"

Stellen Sie sich vor, Sie versuchen herauszufinden, ob zwei Menschen Freunde werden, weil sie ähnliche Hobbys haben (das ist das, was wir sehen können) oder weil sie unbekannte, tiefe Gemeinsamkeiten teilen, die wir nie messen können (das nennen wir „Fixe Effekte" oder „Geister").

• Das Dilemma: Wenn Person A und Person B sich mögen, liegt das vielleicht daran, dass sie beide gerne Fußball spielen (sichtbar), oder daran, dass sie beide aus derselben kleinen Stadt kommen und sich schon immer gut verstanden haben (unsichtbar).
• Die Dynamik: Hinzu kommt, dass Freundschaften sich über die Zeit entwickeln. Wenn A und B heute Freunde sind, ist die Wahrscheinlichkeit höher, dass sie morgen Freunde bleiben. Aber sie könnten auch durch einen gemeinsamen Freund (Transitivität) zusammenkommen.

Das Schwierige ist: Wie trennt man den sichtbaren Einfluss (Hobbys) vom unsichtbaren (Geister) und vom zeitlichen Einfluss (gestern war ich schon dein Freund)?

2. Die Lösung: Ein magischer Trick mit zwei Werkzeugen

Die Autoren entwickeln eine Methode, um diese „Geister" zu entfernen, ohne sie genau zu kennen. Sie nutzen zwei Hauptstrategien, die wie zwei verschiedene Arten von Detektivarbeit funktionieren:

Strategie A: Der „Kurzzeit-Panorama-Blick" (Integration)

Stellen Sie sich vor, Sie beobachten ein einziges Paar (A und B) über viele Jahre hinweg.

• Die Idee: Wenn Sie genug Zeit haben, können Sie den „Geist" (die unsichtbare Verbindung) herausrechnen, indem Sie das Verhalten über die Zeit mitteln.
• Die Metapher: Es ist wie das Schauen durch einen dichten Nebel. Wenn Sie nur einen Moment schauen, sehen Sie nichts. Wenn Sie aber über Stunden schauen, erkennen Sie die Konturen der Landschaft dahinter, auch wenn der Nebel (die Unsicherheit) bleibt. Die Autoren nutzen mathematische Grenzen, um zu sagen: „Der wahre Einfluss der Hobbys muss zwischen diesen beiden Grenzen liegen."

Strategie B: Der „Abgleich von Freunden" (Differenzierung)

Hier vergleichen sie nicht nur ein Paar über die Zeit, sondern schauen auf ganze Gruppen von Beziehungen gleichzeitig.

• Die Idee: Sie suchen nach Mustern, bei denen sich die „Geister" gegenseitig aufheben.
• Die Metapher: Stellen Sie sich ein Waage-Experiment vor. Wenn Sie Person A und Person B auf die eine Waagschale legen und Person C und Person D auf die andere, und alle vier haben ähnliche „Geister-Eigenschaften", heben sich diese unsichtbaren Gewichte auf. Was übrig bleibt, ist der reine Einfluss der sichtbaren Faktoren (wie Hobbys oder ob sie gemeinsame Freunde hatten).
• Der Clou: Da die Autoren die Daten aus der Vergangenheit nutzen (z. B. „hatten sie letzte Woche einen gemeinsamen Freund?"), müssen sie sich keine Sorgen machen, dass die Freundschaft jetzt gerade entsteht und alles durcheinanderwirft. Es ist wie ein Rückblick auf ein Fotoalbum: Das Bild ist fertig, wir können es analysieren.

3. Die „Super-Kräfte": Wenn wir mehr wissen

Das Papier zeigt auch, was passiert, wenn wir noch mehr über die Daten wissen:

• Szenario 1: Wir kennen die „Regeln des Zufalls". Wenn wir wissen, wie zufällige Schwankungen (z. B. schlechte Laune an einem bestimmten Tag) verteilt sind, können wir die Grenzen für unsere Schätzung noch schärfer ziehen. Es ist wie beim Würfeln: Wenn wir wissen, dass der Würfel fair ist, können wir viel genauer vorhersagen, was als Nächstes kommt.
• Szenario 2: Die „Additive" Struktur. Oft sind die „Geister" nicht nur eine mysteriöse Verbindung zwischen zwei Personen, sondern eine Summe aus den Eigenschaften von Person A plus den Eigenschaften von Person B. Wenn wir das annehmen, können wir noch komplexere Vergleiche anstellen (wie ganze Dreiecke von Freunden oder Sterne aus vielen Verbindungen), um die Geister komplett zu eliminieren.

4. Der große Durchbruch: Der „Logit"-Zauber

Am Ende kombinieren die Autoren alle diese Tricks mit einer speziellen mathematischen Annahme (Logit-Verteilung), die in der Statistik sehr beliebt ist.

• Das Ergebnis: Sie erhalten eine exakte Formel, die funktioniert, egal ob wir die Daten aus derselben Woche oder aus verschiedenen Jahren vergleichen.
• Die Analogie: Stellen Sie sich vor, Sie haben einen Schlüssel, der nicht nur eine Tür (eine bestimmte Art von Freundschaft) öffnet, sondern jede Tür in einem riesigen Schlosskomplex. Früher konnten Forscher nur die Türen öffnen, die genau nebeneinander lagen (gleiche Woche). Jetzt können sie Türen öffnen, die über Jahre verteilt sind, solange die „Schlüsselzähne" (die mathematische Balance der Personen) passen.

Zusammenfassung für den Alltag

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden will, warum sich Leute in einer Stadt vernetzen.

1. Das Problem: Es gibt sichtbare Gründe (gleiche Musikgeschmäcker) und unsichtbare Gründe (geheime Familienbande), die sich vermischen.
2. Die Methode: Die Autoren bauen ein mathematisches Labor, in dem sie diese unsichtbaren Gründe durch geschicktes Vergleichen von Freunden über die Zeit und untereinander „herausrechnen".
3. Der Gewinn: Sie können jetzt genau sagen: „Ja, diese beiden sind Freunde, weil sie beide gerne Jazz mögen, und nicht nur, weil sie zufällig aus demselben Dorf kommen."

Dieses Papier ist also ein mächtiges neues Werkzeug, um die wahre Dynamik von sozialen Netzwerken zu verstehen, ohne sich von den unsichtbaren „Geistern" der Vergangenheit täuschen zu lassen.

Technische Zusammenfassung

1. Problemstellung und Motivation

Das Papier adressiert ein zentrales ökonometrisches Problem in der Analyse von dynamischen dyadischen Netzwerkbildungsmodellen: die Identifikation von Strukturparametern in Gegenwart von unbeobachteter Heterogenität (Fixed Effects) und Lagged Local Network Statistics.

• Der Konflikt: Dynamische Netzwerkmuster werden oft durch Substanzielle Realitäten wie Homophilie (Ähnlichkeit der Akteure), Transitivität (Freunde von Freunden) und lokale Clusterbildung erklärt. Diese Effekte werden durch zeitvariierende beobachtete Kovariaten und verzögerte Netzwerkkovariaten (z. B. Anzahl gemeinsamer Freunde in $t-1$) modelliert.
• Das Identifikationsproblem: Sobald unbeobachtete, zeitinvariante dyadische Fixed Effects ($A_{ij}$) eingeführt werden, vermischen sich strukturelle Zustandsabhängigkeit, beobachtete Homophilie und unbeobachtete Heterogenität. In einem Panel-Datensatz (Netzwerk über mehrere Zeitperioden) ist es schwierig, diese Komponenten zu trennen, insbesondere wenn die Fehlerverteilung unbekannt ist (semiparametrischer Ansatz).
• Ziel: Das Papier entwickelt Identifikationsresultate für ein Modell, das zeitvariierende Kovariaten, verzögerte lokale Netzwerkkennzahlen und dyadische Fixed Effects kombiniert, ohne dabei auf parametrische Annahmen über die Fehlerverteilung angewiesen zu sein (sofern nicht explizit gewünscht).

2. Modellsetup

Das Basismodell beschreibt die Bildung einer Verbindung (Link) $D_{ijt} \in \{0, 1\}$ zwischen den Knoten $i$ und $j$ zum Zeitpunkt $t$:

$$D_{ijt} = \mathbb{1}\{Z'_{ijt}\alpha_0 + X'_{ij,t-1}\lambda_0 + A_{ij} - U_{ijt} \geq 0\}$$

Dabei ist:

• $Z_{ijt}$: Zeitvariierende beobachtete dyadische Kovariaten (basierend auf Knotenmerkmalen, z. B. Distanz).
• $X_{ij,t-1}$: Vektor beobachteter, verzögerter lokaler Netzwerkkovariaten (z. B. gemeinsame Freunde, indirekte Freunde).
• $A_{ij}$: Zeitinvarianter unbeobachteter dyadischer Fixed Effect.
• $U_{ijt}$: Idiosynkratischer, zeitvariierender Schock.
• $\theta_0 = (\alpha_0, \lambda_0)$: Der zu identifizierende Parametervektor.

Das Modell behandelt $X_{ij,t-1}$ als exogen gegeben (da verzögert), was die simultane Endogenität in statischen strategischen Modellen vermeidet.

3. Methodik und Identifikationsstrategien

Das Papier entwickelt einen semiparametrischen Identifikationsrahmen, der zwei komplementäre Ansätze zur Behandlung der Fixed Effects kombiniert:

A. Dyadisches Panel-Identifikation („Integrate-out")

Dieser Ansatz behandelt jedes Dyade-Paar als ein kurzes Panel.

• Mechanismus: Anstatt $A_{ij}$ zu eliminieren, wird es über eine unbekannte Verteilung integriert.
• Technik: Es wird die „Bounding-by-c"-Technik (aus Gao und Wang, 2026) verwendet. Durch die Annahme, dass die Schocks $U_{ijt}$ über die Zeit homogen verteilt sind (gleiche Randverteilung), können obere und untere Schranken für die Wahrscheinlichkeit der Link-Bildung gebildet werden, die unabhängig von $A_{ij}$ sind.
• Ergebnis: Es entstehen Moment-Ungleichungen, die den wahren Parameter $\theta_0$ in einer Menge einschränken.

B. Dynamische Signierte-Subgraph-Identifikation („Difference-out")

Dieser Ansatz nutzt die zeitliche Variation innerhalb der Dyaden, um die Fixed Effects algebraisch zu eliminieren.

• Mechanismus: Es werden Vergleiche zwischen verschiedenen Zeitpunkten oder zwischen verschiedenen Dyaden konstruiert, bei denen die Fixed Effects $A_{ij}$ sich gegenseitig aufheben (z. B. $A_{ij} - A_{ij} = 0$).
• Technik: Es werden „signierte Subgraphen" (Kombinationen von Links mit positiven und negativen Vorzeichen) gebildet. Wenn die Anzahl der Vorkommen eines Dyads in der positiven Gruppe ($C^+$) gleich der in der negativen Gruppe ($C^-$) ist, heben sich die Fixed Effects auf.
• Vorteil: Dieser Ansatz erfordert keine Homogenität der Fehlerverteilung über die Zeit und ist robust gegenüber beliebiger serieller Korrelation innerhalb der Dyaden.

C. Unified Partial-Differencing Perspective

Das Papier fasst beide Ansätze in einem übergeordneten Rahmen zusammen. Man kann zwischen vollständigem „Integrate-out" (nur Panel-Ansatz) und vollständigem „Difference-out" (nur Subgraph-Ansatz) wählen. Dazwischen liegen teilweise Differenzierungsansätze, bei denen einige Dyaden differenziert werden und andere integriert werden. Dies erweitert die Klasse der identifizierenden Restriktionen erheblich.

4. Verschärfung der Identifikation durch zusätzliche Strukturen

Das Papier zeigt, wie zusätzliche Annahmen die Identifikationsmenge verengen (schärfen):

1. Bekannte Fehlerverteilung & Serielle Unabhängigkeit:
   Wenn die Randverteilung von $U_{ijt}$ bekannt ist (z. B. Logit) und die Schocks seriell unabhängig sind, können die Composite-Fehlerverteilungen in den differenzierten Modellen explizit berechnet werden (als Faltung der Verteilungen). Dies führt zu expliziten Schranken (Proposition 5).

2. Additive Knoten-Fixed Effects:
   Wenn die dyadischen Fixed Effects additiv aus individuellen Fixed Effects bestehen ($A_{ij} = \nu_i + \nu_j$), kann die Differenzierung um Knoten herum organisiert werden, nicht nur um Dyaden.

   • Dies erlaubt eine viel größere Klasse von gewichteten Konfigurationen (z. B. gewichtete Sterne, Triaden, Zyklen), bei denen die Summe der Gewichte pro Knoten null ist.
   • Selbst bei unbekannter Fehlerverteilung führt dies zu schärferen semiparametrischen Restriktionen (Proposition 6).

3. Kombination: Additive Effects + IID Logit-Schocks (Exakte Bedingte Logit-Darstellung):
   Dies ist der stärkste Beitrag. Unter der Annahme von additiven Knoten-Fixed Effects und i.i.d. logistischen Schocks:

   • Bildet man eine Konfiguration von Edge-Time-Zellen, die vollständig knotenbalanciert ist (jeder Knoten erscheint in $C^+$ und $C^-$ mit gleichem Gewicht), heben sich die Fixed Effects im Log-Odds-Verhältnis exakt auf.
   • Da die Log-Odds-Funktion der Logit-Verteilung affin ist, bleibt eine exakte bedingte Logit-Wahrscheinlichkeit übrig, die nur von $\theta_0$ abhängt.
   • Ergebnis: Dies liefert eine exakte bedingte Logit-Darstellung für eine viel breitere Klasse von Konfigurationen als nur die klassischen „Within-Date Tetrads" (Graham, 2017). Dazu gehören intertemporale Tetrads (Knoten über verschiedene Zeitpunkte hinweg) und triadische Zyklen.

5. Wichtige Ergebnisse

• Semiparametrische Identifikation: Unter allgemeinen Bedingungen (unbekannte Fehlerverteilung, beliebige dyadische Fixed Effects) ist der Parametervektor $\theta_0$ durch die Schnittmenge der aus den Panel- und den Signierten-Subgraph-Methoden abgeleiteten Mengen identifiziert.
• Punktidentifikation: Unter der Logit-Spezifikation mit additiven Knoten-Fixed Effects und i.i.d. Schocks ist $\theta_0$ punktuell identifiziert, sofern die Unterstützung der Differenzen der Kovariaten über alle vollständig knotenbalancierten Konfigurationen den Parameterraum aufspannt.
• Neue Konfigurationen: Das Papier identifiziert neue, für dynamische Modelle spezifische Konfigurationen, die für die Identifikation genutzt werden können:
  • Intertemporale Tetrads: Kombinieren Kreuz-Schnitt- und Zeit-Variation.
  • Triadische Zyklen: Nutzen nur drei Knoten über mehrere Perioden.
  • Diese erweitern die Möglichkeiten zur Identifikation, insbesondere in kleinen Netzwerken oder wenn die Variation innerhalb einer Periode begrenzt ist.

6. Signifikanz und Beitrag zur Literatur

• Erweiterung von Graham (2016/2017): Während Graham (2016) statische oder einfache dynamische Modelle ohne beobachtete Kovariaten betrachtet, integriert dieses Papier explizite zeitvariierende Homophilie und generalisierte lokale Netzwerkkennzahlen.
• Überwindung von Limitierungen statischer Modelle: Im Gegensatz zu statischen strategischen Modellen (Gao, Li, Xu, 2026) muss hier keine komplexe Isolationsmechanik für simultane Endogenität angewendet werden, da die Netzwerkkovariaten verzögert sind.
• Flexibilität: Der Rahmen ist nicht auf Logit beschränkt. Die semiparametrischen Ergebnisse gelten auch bei serieller Korrelation und unbekannter Fehlerverteilung.
• Methodische Synthese: Die Verknüpfung von „Integrate-out" (Panel) und „Difference-out" (Subgraph) Techniken in einem einheitlichen Rahmen bietet ein mächtiges Werkzeug für die Analyse von Netzwerk-Paneldaten.

Fazit: Das Papier liefert einen robusten ökonometrischen Rahmen für die Schätzung dynamischer Netzwerkbildungsmodelle. Es zeigt, dass durch die geschickte Kombination von zeitlicher Variation, Netzwerktopologie und spezifischen Annahmen über die Fehlerstruktur (insbesondere Logit) eine exakte Identifikation möglich ist, die weit über die bisherigen statischen oder rein parametrischen Ansätze hinausgeht.