Heterogeneous Peer Effects with Endogenous Network Formation

Resumen Técnico: Efectos de Pares Heterogéneos con Formación de Redes Endógenas

Planteamiento del Problema
El artículo aborda dos desafíos metodológicos persistentes en el modelado de interacciones sociales y económicas: los efectos de pares heterogéneos y la formación de redes endógenas. La literatura existente suele asumir que los efectos de pares son uniformes para todos los agentes o que la estructura de la red es exógena. Sin embargo, en la realidad, los agentes difieren en cómo responden a sus pares (algunos amplifican, otros absorben los desbordamientos/spillovers), y los vínculos se forman a menudo de manera estratégica basándose en rasgos no observados que también influyen en los resultados. No contabilizar estos factores conduce a un severo sesgo de selección e inferencias incorrectas sobre la magnitud y dirección de los efectos de pares. Los autores señalan que, si bien las redes ponderadas pueden capturar la intensidad de la interacción, no pueden explicar la variación en cómo los agentes traducen el comportamiento de sus pares en sus propias decisiones. Además, los modelos estándar de autorregresión espacial (SAR) suelen tratar la matriz de pesos espaciales como fija, ignorando la endogeneidad derivada de características individuales no observadas que impulsan tanto la formación de vínculos como los resultados.

Metodología: El Marco SCHSAR
Los autores proponen un marco econométrico unificado llamado Autorregresión Espacial Heterogénea Corregida por Selección (SCHSAR, por sus siglas en inglés). Este enfoque modela conjuntamente la formación de la red y la determinación de los resultados a través de dos etapas:

1. Ecuación de Resultados (Heterogeneidad): El modelo extiende la especificación SAR estándar incorporando una estructura de mezcla finita. Los individuos son asignados a uno de $G$ tipos latentes, cada uno gobernado por un conjunto distinto de parámetros ($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$). Esto permite que los efectos de pares ($\lambda_g$) y otros coeficientes varíen a través de grupos no observados, capturando una rica heterogeneidad donde algunos agentes pueden tener respuestas de pares positivas, negativas o nulas.
2. Ecuación de Formación de Redes (Endogeneidad): La matriz de adyacencia $W$ se modela como la realización de un proceso de toma de decisiones estratégicas. Una función de utilidad latente determina si existe un vínculo $w_{ij}$, impulsado por características diádicas observadas (ej. homofilia) y factores no observados específicos de cada individuo ($a_i$). La función $f(a_i, a_j)$ captura ya sea la heterogeneidad de grado no observada (efectos aditivos) o la homofilia no observada (efectos de distancia).
3. Modelado Conjunto y Corrección: La innovación central es la inclusión del mismo factor no observado $a_i$ tanto en la ecuación de formación de la red como en la de resultados. Al modelar explícitamente $a_i$ como una variable latente que influye tanto en la probabilidad de formar un vínculo como en el resultado individual, el marco corrige el sesgo de selección (sesgo de variable omitida) que surge cuando $W$ es endógena.

Estrategia de Estimación
Dada la alta dimensionalidad de la integración requerida para la estimación de máxima verosimilitud (debido a las variables latentes $w^*$, $z$ y $a$), los autores desarrollan un enfoque de aumentación de datos totalmente Bayesiano utilizando Markov Chain Monte Carlo (MCMC).

• Aumentación de Datos: El algoritmo muestrea variables latentes (efectos aleatorios individuales $a$, indicadores de tipo latente $z$ y utilidades de vínculo latentes $w^*$) junto con los parámetros del modelo desde la distribución posterior conjunta.
• Esquema de Muestreo: El procedimiento utiliza el muestreo de Gibbs para la mayoría de los parámetros debido a los priors conjugados. Para los parámetros de efecto de pares $\lambda_g$, que no poseen una forma posterior estándar, se emplea un paso de Metropolis-dentro-de-Gibbs con Escalamiento Adaptativo de Metropolis (ASM).
• Flexibilidad: El marco admite tanto redes binarias (enlace probit) como redes ponderadas (especificación Tobit) y permite diferentes especificaciones de heterogeneidad no observada (heterogeneidad de grado vs. homofilia).

Contribuciones Clave

1. Marco Unificado: El artículo une la literatura sobre modelos espaciales heterogéneos y la econometría de formación de redes. Aloja modelos existentes (ej. Goldsmith-Pinkham e Imbens 2013; Cornwall y Parent 2017) como casos especiales (ej. cuando $G=1$ o cuando la red es exógena) mientras relaja sus supuestos restrictivos.
2. Abordaje de la Endogeneidad sin Instrumentos: A diferencia de los enfoques tradicionales de variables instrumentales, el modelo SCHSAR corrige la endogeneidad de la red modelando directamente la fuente estructural del sesgo (heterogeneidad no observada), evitando la necesidad de instrumentos externos que suelen ser débiles o inexistentes.
3. Heterogeneidad Basada en Datos: En lugar de depender de grupos observables predefinidos (ej. género, industria) para definir la heterogeneidad, el modelo utiliza un enfoque de mezcla finita para identificar tipos latentes basados en los datos, permitiendo una agrupación de agentes más flexible y potencialmente más precisa.

Resultados Empíricos
Los autores aplican el modelo SCHSAR a un conjunto de datos de 1,150 empresas estadounidenses involucradas en una red de colaboración tecnológica (1980–2014), analizando sus inversiones en I+D corporativa.

• Formación de Redes: Los resultados confirman una homofilia significativa en la formación de vínculos basada en la industria (SIC) y la clase tecnológica. La heterogeneidad de grado no observada es también un motor clave de la estructura de la red.
• Efectos de Pares: Tras corregir el sesgo de selección, el modelo revela efectos de pares significativos pero heterogéneos sobre la I+D.
• Tipos Latentes: Los datos respaldan una mezcla de dos tipos:
  • Empresas impulsadas por pares (~34%): Exhiben un efecto de red mayor ($\lambda \approx 0.215$) pero una elasticidad de precio propia más débil ($\approx -2.2$). Estas empresas son más sensibles a la I+D de sus pares y menos sensibles a sus propios costos fiscales.
  • Empresas impulsadas por sí mismas (~66%): Exhiben un efecto de red menor ($\lambda \approx 0.127$) pero una elasticidad de precio propia más fuerte ($\approx -9.5$). Estas empresas son más sensibles a sus propias estructuras de costos y están menos influenciadas por sus pares.
• Implicaciones de Política: El marco permite cuantificar los efectos directos, de recepción (spillin) y de transmisión (spillout) a nivel de empresa. El análisis identifica roles distintos: "absorbedores receptivos" (alto spillin, impulsados por pares) e "influenciadores transmisores" (alto spillout, impulsados por sí mismos pero centrales). Se demuestra que focalizar las intervenciones en las empresas con altos efectos totales de spillout (a menudo empresas grandes y centrales en sectores de alta tecnología) es una estrategia rentable para maximizar la difusión de la innovación en toda la red.

Significancia y Reivindicaciones
El artículo sostiene que el marco SCHSAR proporciona un enfoque flexible y robusto para extraer conclusiones creíbles sobre los efectos de pares en entornos donde la heterogeneidad individual y la endogeneidad de la red están presentes.

• Evidencia de Simulación: Experimentos de Monte Carlo demuestran que los estimadores Bayesianos propuestos son computacionalmente tratables y producen estimaciones casi insesgadas con cobertura nominal, mientras que los enfoques ingenuos (que ignoran la endogeneidad o la homogeneidad) producen un sesgo severo e inferencias poco fiables.
• Diseño de Políticas: Al desentrañar las respuestas heterogéneas y las posiciones en la red, el modelo ofrece valiosas perspectivas para el diseño de políticas basadas en evidencia. Sugiere que las políticas uniformes pueden ser ineficientes y que las intervenciones dirigidas (ej. enfocarse en "transmisores" vs. "absorbedores") pueden optimizar la difusión de la innovación bajo restricciones presupuestarias.
• Avance Metodológico: El artículo se posiciona como una evolución necesaria en el modelado econométrico, yendo más allá del supuesto de redes exógenas y agentes homogéneos para reflejar mejor las complejas realidades de las interacciones económicas y sociales.