Heterogeneous Peer Effects with Endogenous Network Formation

Résumé Technique : Effets de Pairs Hétérogènes avec Formation de Réseaux Endogènes

Énoncé du Problème
L'article traite de deux défis méthodologiques persistants dans la modélisation des interactions sociales et économiques : les effets de pairs hétérogènes et la formation de réseaux endogènes. La littérature existante suppose souvent que les effets de pairs sont uniformes pour tous les agents ou que la structure du réseau est donnée de manière exogène. Cependant, dans la réalité, les agents diffèrent dans leur manière de répondre à leurs pairs (certains amplifient, d'autres absorbent les retombées) et les liens sont souvent formés de manière stratégique sur la base de traits inobservés qui influencent également les résultats. Ne pas tenir compte de ces facteurs conduit à un biais de sélection sévère et à des inférences incorrectes concernant l'ampleur et la direction des effets de pairs. Les auteurs notent que si les réseaux pondérés peuvent capturer l'intensité des interactions, ils ne peuvent pas expliquer la variation dans la manière dont les agents traduisent le comportement de leurs pairs en leurs propres décisions. De plus, les modèles standards d'autorégression spatiale (SAR) traitent généralement la matrice de poids spatiaux comme étant fixe, ignorant l'endogénéité découlant des caractéristiques individuelles inobservées qui pilotent à la fois la formation des liens et les résultats.

Méthodologie : Le Cadre SCHSAR
Les auteurs proposent un cadre économétrique unifié appelé le modèle Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR) (Autorégression Spatiale Hétérogène Corrigée par la Sélection). Cette approche modélise conjointement la formation du réseau et la détermination des résultats à travers deux étapes :

1. Équation de Résultat (Hétérogénéité) : Le modèle étend la spécification SAR standard en incorporant une structure de mélange fini. Les individus sont assignés à l'un des $G$ types latents, chacun étant régi par un ensemble distinct de paramètres ($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$). Cela permet aux effets de pairs ($\lambda_g$) et à d'autres coefficients de varier à travers des clusters inobservés, capturant une hétérogénéité riche où certains agents peuvent avoir des réponses de pairs positives, négatives ou nulles.
2. Équation de Formation de Réseau (Endogénéité) : La matrice d'adjacence $W$ est modélisée comme la réalisation d'un processus de prise de décision stratégique. Une fonction d'utilité latente détermine si un lien $w_{ij}$ existe, piloté par des caractéristiques dyadiques observées (ex. : homophilie) et des facteurs individuels inobservés spécifiques ($a_i$). La fonction $f(a_i, a_j)$ capture soit l'hétérogénéité de degré inobservée (effets additifs), soit l'homophilie inobservée (effets de distance).
3. Modélisation Conjointe et Correction : L'innovation centrale est l'inclusion du même facteur inobservé $a_i$ dans les équations de formation de réseau et de résultat. En modélisant explicitement $a_i$ comme une variable latente qui influence à la fois la probabilité de former un lien et le résultat individuel, le cadre corrige le biais de sélection (biais de variable omise) qui survient lorsque $W$ est endogène.

Stratégie d'Estimation
Étant donné l'intégration de haute dimension requise pour l'estimation par maximum de vraisemblance (en raison des variables latentes $w^*$, $z$, et $a$), les auteurs développent une approche de complétion de données entièrement bayésienne (fully Bayesian data augmentation) utilisant la méthode de Monte Carlo par chaînes de Markov (MCMC).

• Complétion de Données (Data Augmentation) : L'algorithme échantillonne les variables latentes (effets aléatoires individuels $a$, indicateurs de types latents $z$, et utilités de liens latents $w^*$) aux côtés des paramètres du modèle à partir de la distribution postérieure conjointe.
• Schéma d'Échantillonnage : La procédure utilise l'échantillonnage de Gibbs pour la plupart des paramètres en raison des priors conjugués. Pour les paramètres d'effet de pairs $\lambda_g$, qui n'ont pas de forme postérieure standard, une étape de Metropolis-within-Gibbs avec mise à l'échelle adaptative (Adaptive Scaling Metropolis - ASM) est employée.
• Flexibilité : Le cadre accepte à la fois les réseaux binaires (lien probit) et les réseaux pondérés (spécification Tobit) et permet différentes spécifications d'hétérogénéité inobservée (hétérogénéité de degré vs homophilie).

Contributions Clés

1. Cadre Unifié : L'article fait le pont entre la littérature sur les modèles spatiaux hétérogènes et l'économétrie de la formation de réseaux. Il englobe les modèles existants (ex. : Goldsmith-Pinkam et Imbens 2013 ; Cornwall et Parent 2017) comme cas particuliers (ex. : lorsque $G=1$ ou lorsque le réseau est exogène) tout en levant leurs hypothèses restrictives.
2. Traitement de l'Endogénéité sans Instruments : Contrairement aux approches traditionnelles par variables instrumentales, le modèle SCHSAR corrige l'endogénéité du réseau en modélisant directement la source structurelle du biais (l'hétérogénéité inobservée), évitant ainsi le besoin d'instruments externes qui sont souvent faibles ou indisponibles.
3. Hétérogénéité Pilotée par les Données : Au lieu de s'appuyer sur des groupes observables prédéfinis (ex. : genre, industrie) pour définir l'hétérogénéité, le modèle utilise une approche de mélange fini pour identifier des types latents basés sur les données, permettant un regroupement des agents plus flexible et potentiellement plus précis.

Résultats Empiriques
Les auteurs appliquent le modèle SCHSAR à un ensemble de données de 1 150 entreprises américaines impliquées dans un réseau de collaboration technologique (1980–2014), analysant les investissements en R&D des entreprises.

• Formation de Réseau : Les résultats confirment une homophilie significative dans la formation de liens basée sur l'industrie (SIC) et la classe technologique. L'hétérogénéité de degré inobservée est également un moteur clé de la structure du réseau.
• Effets de Pairs : Après correction du biais de sélection, le modèle révèle des effets de pairs significatifs mais hétérogènes sur la R&D.
• Types Latents : Les données soutiennent un mélange de deux types :
  • Entreprises pilotées par les pairs (~34 %) : Présentent un effet de réseau plus important ($\lambda \approx 0,215$) mais une élasticité prix propre plus faible ($\approx -2,2$). Ces entreprises sont plus réactives à la R&D de leurs pairs et moins sensibles à leurs propres coûts fiscaux.
  • Entreprises pilotées par elles-mêmes (~66 %) : Présentent un effet de réseau plus faible ($\lambda \approx 0,127$) mais une élasticité prix propre plus forte ($\approx -9,5$). Ces entreprises sont plus sensibles à leurs propres structures de coûts et moins influencées par leurs pairs.
• Implications Politiques : Le cadre permet de quantifier les effets directs, de retombées reçues (spillin) et de diffusion émise (spillout) au niveau de l'entreprise. L'analyse identifie des rôles distincts : les « absorbeurs réactifs » (haut spillin, pilotés par les pairs) et les « émetteurs influents » (haut spillout, auto-pilotés mais centraux). Cibler les entreprises ayant des effets de spillout totaux élevés (souvent de grandes entreprises centrales dans les secteurs de haute technologie) s'avère être une stratégie rentable pour maximiser la diffusion de l'innovation à l'échelle du réseau.

Signification et Revendications
L'article affirme que le cadre SCHSAR fournit une approche flexible et robuste pour tirer des conclusions crédibles sur les effets de pairs dans des contextes où l'hétérogénéité individuelle et l'endogénéité du réseau sont toutes deux présentes.

• Preuve par Simulation : Des expériences de Monte Carlo démontrent que les estimateurs bayésiens proposés sont calculablement maniables et produisent des estimations quasi non biaisées avec une couverture nominale, tandis que les approches naïves (ignorant l'endogénéité ou l'homogénéité) produisent un biais sévère et une inférence peu fiable.
• Conception de Politiques : En dissociant les réponses hétérogènes et les positions de réseau, le modèle offre des perspectives précieuses pour la conception de politiques fondées sur des preuves. Il suggère que les politiques uniformes peuvent être inefficaces et que des interventions ciblées (ex. : se concentrer sur les « émetteurs » plutôt que sur les « absorbeurs ») peuvent optimiser la diffusion de l'innovation sous contrainte budgétaire.
• Avancée Méthodologique : L'article se positionne comme une évolution nécessaire de la modélisation économétrique, allant au-delà de l'hypothèse de réseaux exogènes et d'agents homogènes pour mieux refléter les réalités complexes des interactions économiques et sociales.