📈 economics

Heterogeneous Peer Effects with Endogenous Network Formation

Dieses Paper schlägt ein neuartiges Bayesianisches Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR)-Framework vor, das endogene Netzwerkbildung und heterogene Peer-Effekte gemeinsam modelliert, wodurch signifikante, aber variierende Auswirkungen von Peer-Interaktionen auf die Forschungs- und Entwicklungsinvestitionen US-amerikanischer Unternehmen aufgezeigt werden, um gezieltes politisches Design zu unterstützen.

Ursprüngliche Autoren: Duong Trinh, Santiago Montoya-Blandón

Veröffentlicht 2026-06-24

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Duong Trinh, Santiago Montoya-Blandón

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen herauszufinden, warum manche Schüler bessere Noten bekommen als andere. Sie könnten vermuten, dass es daran liegt, dass ihre Freunde fleißig lernen. Aber hier ist der knifflige Teil: Machen die Freunde den Schüler klüger, oder hat der Schüler sich einfach Freunde ausgesucht, die bereits klug waren?

Dies ist das Kernrätsel der „Peereffekte“ (Peer-Effekte) in der Wirtschaftswissenschaft. Lange Zeit hatten Ökonomen Schwierigkeiten, zwei große Probleme gleichzeitig zu lösen:

Das „Wer ist wer?“-Problem: Menschen reagieren unterschiedlich auf ihre Freunde. Manche sind leicht beeinflussbar (wie ein Schwamm), während andere hartnäckig sind und ihr eigenes Ding machen (wie ein Stein). Alte Modelle gingen davon aus, dass alle entweder Schwämme oder alle Steine sind, was nicht der Wahrheit entspricht.
Das „Henne-Ei-Problem“: Menschen wählen ihre Freunde basierend auf verborgenen Merkmalen (wie Persönlichkeit oder Ehrgeiz), die auch ihren Erfolg beeinflussen. Wenn man dies nicht berücksichtigt, rechnet man mathematisch falsch.

Dieses Paper stellt ein neues Werkzeug namens SCHSAR (Selection-corrected Heterogeneous Spatial Autoregressive model) vor, um beide Probleme gleichzeitig zu lösen. So funktioniert es, unter Verwendung einfacher Analogien:

1. Die „Magische Gruppierung“ (Heterogenität)

Stellen Sie sich ein Klassenzimmer vor, in dem der Lehrer davon ausgeht, dass alle gleich lernen. Der Lehrer sagt: „Wenn der Klassendurchschnitt steigt, steigt die Note eines jeden um 10 %.“

Aber in der Realität ist die Klasse eine Mischung aus Schwämmen (die die Energie der Klasse aufsaugen) und Steinen (die gleich bleiben, ungeachtet der Klasse).

Die alten Modelle behandelten jeden als einen „Mittleren Schwamm“.
Dieses neue Paper sagt: „Lassen Sie uns eine magische Linse verwenden, um die Schüler heimlich in Schwamm-Gruppen und Stein-Gruppen zu sortieren, ohne vorher zu wissen, wer in welcher Gruppe ist.“
Es stellt fest, dass etwa 34 % der Unternehmen in ihrer Studie „Schwämme“ sind (sehr beeinflussbar durch Peers), während 66 % „Steine“ sind (hauptsächlich beeinflusst durch ihre eigenen Kosten).

2. Der „Verborgene Magnet“ (Endogene Netzwerkbildung)

Stellen Sie sich nun vor, diese Schüler wählen selbst aus, neben wem sie sitzen möchten.

Die „Schwämme“ bevorzugen vielleicht heimlich, in der Nähe anderer „Schwämme“ zu sitzen, weil sie von Natur aus gesellig sind.
Die „Steine“ bevorzugt vielleicht, in der Nähe anderer „Steine“ zu sitzen, weil sie Ruhe mögen.
Die Falle: Wenn Sie nur die Noten betrachten, könnten Sie denken, die Freunde hätten die Noten verursacht. Aber eigentlich hat die verborgene „Geselligkeit“ oder „Ruhe“ (der verborgene Magnet) dazu geführt, dass sie nebeneinander saßen und bestimmte auch deren Noten.
Das Modell des Papers wirkt wie ein Röntgengerät. Es betrachtet die Freundschaftswahlen und die Noten gleichzeitig, um den verborgenen Magneten zu identifizieren. Es korrigiert die Mathematik, damit wir nicht den Freunden die Schuld für das geben, was eigentlich die eigene verborgene Persönlichkeit des Schülers war.

3. Das „Werkzeugkasten des Detektivs“ (Bayesianische Schätzung)

Dieses mathematische Rätsel zu lösen ist unglaublich schwer, da es so viele verborgene Variablen gibt (Wer ist ein Schwamm? Wer ist ein Stein? Was ist der verborgene Magnet?).

Anstatt zu versuchen, es mit einer einzigen, unlösbaren Gleichung zu lösen, nutzt die Autorenschaft einen Bayesianischen Detektiv-Ansatz.
Denken Sie an ein Spiel wie „Wer bin ich?“, das tausende Male gespielt wird. Der Computer macht eine Vermutung darüber, wer in welcher Gruppe ist, prüft, ob diese zu den Daten passt, macht eine bessere Vermutung und wiederholt dies Millionen von Malen.
Schließlich pendeln sich die Vermutungen in einem klaren Bild der Realität ein. Dies ermöglicht es ihnen zu sagen: „Wir sind uns zu 95 % sicher, dass Gruppe A durch Peers beeinflusst wird, während Gruppe B dies nicht ist.“

Der Realitätstest: US-Unternehmen und F&E

Die Autoren testeten dieses Werkzeug an 1.150 US-Unternehmen, die im Bereich Technologie und Patente tätig sind. Sie wollten sehen, wie staatliche Steuervergünstigungen für Forschung und Entwicklung (F&E) tatsächlich wirken.

Was sie fanden:

Die „Peer-gesteuerte“ Gruppe (Die Schwämme): Etwa 34 % der Unternehmen werden stark durch das beeinflusst, was ihre Partner tun. Wenn ihre Partner mehr für F&E ausgeben, folgen diese Unternehmen diesem Beispiel. Sie sind jedoch weniger empfindlich gegenüber ihren eigenen Steuervergünstigungen. Sie sind „Herdenfolger“.
Die „Selbst-gesteuerte“ Gruppe (Die Steine): Die anderen 66 % werden hauptsächlich durch ihre eigenen Kosten und Steuervergünstigungen beeinflusst. Es ist ihnen weitgehend egal, was ihre Partner machen.
Der „Verborgene Magnet“: Unternehmen, die von Natur aus gut darin sind, Verbindungen aufzubauen (hohes „Sozialkapital“), sind tendenziell diejenigen, die die Netzwerke bilden und in F&E investieren. Wenn man dies ignoriert, überschätzt man, wie sehr Freunde einander beeinflussen.

Warum das für die Politik wichtig ist

Das Paper zeigt, dass eine „Einheitslösung“ (One-size-fits-all) nicht funktioniert.

Wenn die Regierung die Innovation durch Steuervergünstigungen fördern möchte, sollte sie die „Selbst-gesteuerten“ Unternehmen anvisieren, da diese Unternehmen direkt auf das Geld reagieren werden.
Wenn die Regierung jedoch eine neue Idee durch das gesamte Netzwerk verbreiten möchte, sollte sie die „Peer-gesteuerten“ Unternehmen (oder die zentralen Knotenpunkte im Netzwerk) anvisieren. Diese Unternehmen fungieren als Verstärker; wenn man sie einen Anstoß gibt, geben sie diesen an alle anderen weiter.

Kurz gesagt: Dieses Paper gibt Ökonomen einen besseren Weg, um zwischen „Einfluss“ und „Selektion“ zu unterscheiden. Es beweist, dass Menschen (und Unternehmen) nicht alle gleich sind und ihre Freunde aus verborgenen Gründen wählen. Indem sie die Mathematik korrigieren, um dies zu berücksichtigen, können sie bessere politische Maßnahmen entwerfen, die tatsächlich funktionieren.

Technisches Resümee: Heterogene Peer-Effekte mit endogener Netzwerkbildung

Problemstellung
Die Arbeit befasst sich mit zwei beständigen methodischen Herausforderungen bei der Modellierung sozialer und ökonomischer Interaktionen: heterogenen Peer-Effekten und endogener Netzwerkbildung. In der bestehenden Literatur wird oft davon ausgegangen, dass Peer-Effekte für alle Akteure einheitlich sind oder dass die Netzwerkstruktur exogen gegeben ist. In der Realität unterscheiden sich Akteure jedoch darin, wie sie auf Peers reagieren (einige verstärken, andere absorbieren Spillover-Effekte), und Verbindungen werden oft strategisch auf Basis nicht beobachteter Merkmale gebildet, die auch die Ergebnisse beeinflussen. Das Ignorieren dieser Faktoren führt zu schwerwiegender Selektionsverzerrung (Selection Bias) und fehlerhaften Rückschlüssen bezüglich der Größenordnung und Richtung von Peer-Effekten. Die Autoren stellen fest, dass gewichtete Netzwerke zwar die Intensität der Interaktion erfassen können, aber nicht die Variation erklären können, wie Akteure das Verhalten ihrer Peers in ihre eigenen Entscheidungen übersetzen. Zudem behandeln Standardmodelle der räumlichen Autoregression (Spatial Autoregressive Models, SAR) die räumliche Gewichtungsmatrix typischerweise als fix, wodurch die Endogenität ignoriert wird, die aus nicht beobachteten individuellen Merkmalen resultiert, welche sowohl die Netzwerkbildung als auch die Ergebnisse steuern.

Methodik: Der SCHSAR-Rahmen
Die Autoren schlagen einen vereinheitlichten ökonometrischen Rahmen vor, der als Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR) Modell bezeichnet wird. Dieser Ansatz modelliert die Netzwerkbildung und die Ergebnisfeststellung gemeinsam durch zwei Stufen:

Ergebnisgleichung (Heterogenität): Das Modell erweitert die Standard-SAR-Spezifikation durch die Integration einer endlichen Mischstruktur (Finite Mixture Structure). Individuen werden einem von $G$ latenten Typen zugeordnet, die jeweils durch einen distinkten Satz an Parametern ( $\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$ ) bestimmt werden. Dies ermöglicht es, Peer-Effekte ( $\lambda_g$ ) und andere Koeffizienten über unobservierte Cluster hinweg variieren zu lassen, wodurch eine reichhaltige Heterogenität erfasst wird, bei der einige Akteure positive, negative oder null Peer-Reaktionen zeigen können.
Netzwerkbildungsgleichung (Endogenität): Die Adjazenzmatrix $W$ wird als Realisierung eines strategischen Entscheidungsprozesses modelliert. Eine latente Nutzenfunktion bestimmt, ob eine Verbindung $w_{ij}$ existiert, getrieben durch beobachtete dyadische Merkmale (z. B. Homophilie) und unbeobachtete individuelle Faktoren ( $a_i$ ). Die Funktion $f(a_i, a_j)$ erfasst entweder unobservierte Grad-Heterogenität (additive Effekte) oder unobservierte Homophilie (Distanz-Effekte).
Gemeinsame Modellierung und Korrektur: Die zentrale Innovation besteht darin, denselben unobservierten Faktor $a_i$ sowohl in der Netzwerkbildungs- als auch in der Ergebnisgleichung einzubeziehen. Durch die explizite Modellierung von $a_i$ als latente Variable, die sowohl die Wahrscheinlichkeit der Netzwerkbildung als als auch das Ergebnis des Individuums beeinflusst, korrigiert das Framework die Selektionsverzerrung (Omitted Variable Bias), die entsteht, wenn $W$ endogen ist.

Schätzstrategie
Angesichts der hohen Dimensionalität der erforderlichen Integration für die Maximum-Likelihood-Schätzung (aufgrund der latenten Variablen $w^*, z$ und $a$ ) entwickeln die Autoren einen vollständig Bayes'schen Data-Augmentation-Ansatz mittels Markov-Chain-Monte-Carlo (MCMC).

Data Augmentation: Der Algorithmus zieht Stichproben aus den latenten Variablen (individuelle Random Effects $a$ , latente Typ-Indikatoren $z$ und latente Verbindungs-Utilitäten $w^*$ ) zusammen mit den Modellparametern aus der gemeinsamen Posterior-Verteilung.
Sampling-Schema: Das Verfahren nutzt Gibbs-Sampling für die meisten Parameter aufgrund konjugierter Priors. Für die Peer-Effekt-Parameter $\lambda_g$ , die keine Standard-Posterior-Form besitzen, wird ein Metropolis-within-Gibbs-Schritt mit Adaptive Scaling Metropolis (ASM) verwendet.
Flexibilität: Das Framework ist sowohl für binäre Netzwerke (Probit-Link) als auch für gewichtete Netzwerke (Tobit-Spezifikation) anwendbar und erlaubt unterschiedliche Spezifikationen der unobservierten Heterogenität (Grad-Heterogenität vs. Homophilie).

Zentrale Beiträge

Vereinheitlichter Rahmen: Die Arbeit verbindet die Literatur über heterogene räumliche Modelle und die Ökonometrie der Netzwerkbildung. Sie bettet bestehende Modelle (z. B. Goldsmith-Pinkham und Imbens 2013; Cornwall und Parent 2017) als Spezialfälle ein (z. B. wenn $G=1$ oder wenn das Netzwerk exogen ist), während sie deren restriktive Annahmen lockert.
Adressierung von Endogenität ohne Instrumente: Im Gegensatz zu traditionellen Instrumentalvariablen-Ansätzen korrigiert das SCHSAR-Modell die Netzwerkendogenität, indem es die strukturelle Quelle der Verzerrung (unobservierte Heterogenität) direkt modelliert. Dadurch wird die Notwendigkeit externer Instrumente vermieden, die oft schwach oder nicht verfügbar sind.
Datengesteuerte Heterogenität: Anstatt sich auf vordefinierte beobachtbare Gruppen (z. B. Geschlecht, Branche) zu verlassen, um Heterogenität zu definieren, nutzt das Modell einen Ansatz der endlichen Mischung, um latente Typen basierend auf den Daten zu identifizieren. Dies ermöglicht eine flexiblere und potenziell genauere Gruppierung der Akteure.

Empirische Ergebnisse
Die Autoren wenden das SCHSAR-Modell auf einen Datensatz von 1.150 US-Unternehmen an, die in einem Netzwerk für technologische Zusammenarbeit (1980–2014) involviert sind, um unternehmerische F&E-Investitionen zu analysieren.

Netzwerkbildung: Die Ergebnisse bestätigen eine signifikante Homophilie in der Netzwerkbildung basierend auf der Branche (SIC) und der technologischen Klasse. Auch unobservierte Grad-Heterogenität ist ein wesentlicher Treiber der Netzwerkstruktur.
Peer-Effekte: Nach Korrektur der Selektionsverzerrung zeigt das Modell signifikante, aber heterogene positive Peer-Effekte auf die F&E.
Latente Typen: Die Daten stützen eine Mischung aus zwei Typen:
- Peer-getriebene Firmen (~34 %): Weisen einen größeren Netzwerkeffekt ( $\lambda \approx 0,215$ ) auf, aber eine schwächere Eigenpreis-Elastizität ( $\approx -2,2$ ). Diese Firmen reagieren stärker auf das F&E-Verhalten ihrer Peers und sind weniger sensitiv gegenüber ihren eigenen Steuerkosten.
- Selbst-getriebene Firmen (~66 %): Weisen einen kleineren Netzwerkeffekt ( $\lambda \approx 0,127$ ) auf, aber eine stärkere Eigenpreis-Elastizität ( $\approx -9,5$ ). Diese Firmen reagieren sensibler auf ihre eigenen Kostenstrukturen und werden weniger von ihren Peers beeinflusst.
Politische Implikationen: Das Framework ermöglicht die Quantifizierung von direkten, empfangenden (spilling) und übertragenden (spillout) Effekten auf Unternehmensebene. Die Analyse identifiziert distinkte Rollen: „responsive Absorber“ (hoher Spilling, peer-getrieben) und „einflussreiche Transmitter“ (hoher Spillout, selbst-getrieben, aber zentral). Es wird gezeigt, dass die gezielte Ansprache von Firmen mit hohen Gesamtspillout-Effekten (oft große, zentrale Firmen in High-Tech-Sektoren) eine kosteneffiziente Strategie zur Maximierung der netzwerkweiten Innovationsdiffusion darstellt.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass das SCHSAR-Framework einen flexiblen und robusten Ansatz bietet, um glaubwürdige Schlussfolgerungen über Peer-Effekte in Kontexten zu ziehen, in denen sowohl individuelle Heterogenität als auch Netzwerkendogenität präsent sind.

Simulationsnachweis: Monte-Carlo-Experimente zeigen, dass die vorgeschlagenen Bayes'schen Schätzer rechnerisch handhabbar sind und nahezu erwartungsneutrale Schätzungen mit nominaler Abdeckung liefern, während naive Ansätze (die Endogenität oder Homogenität ignorieren) schwere Verzerrungen und unzuverlässige Schlüsse produzieren.
Politikgestaltung: Durch die Trennung von heterogenen Reaktionen und Netzwerkpositionen bietet das Modell wertvolle Erkenntnisse für eine evidenzbasierte Politik. Es legt nahe, dass einheitliche Politiken ineffizient sein können und dass gezielte Interventionen (z. B. Fokus auf „Transmitter“ vs. „Absorber“) die Innovationsdiffusion unter Budgetbeschränkungen optimieren können.
Methodischer Fortschritt: Die Arbeit positioniert sich als notwendige Evolution der ökonometrischen Modellierung, die über die Annahme exogener Netzwerke und homogener Akteure hinausgeht, um die komplexen Realitäten wirtschaftlicher und sozialer Interaktionen besser abzubilden.