Heterogeneous Peer Effects with Endogenous Network Formation

तकनीकी सारांश: अंतर्जात नेटवर्क निर्माण के साथ विषम सहकर्मी प्रभाव (Heterogeneous Peer Effects with Endogenous Network Formation)

समस्या विवरण
यह शोध पत्र सामाजिक और आर्थिक अंतःक्रियाओं को मॉडल करने में दो निरंतर बनी रहने वाली पद्धतिगत चुनौतियों को संबोधित करता है: विषम सहकर्मी प्रभाव (heterogeneous peer effects) और अंतर्जात नेटवर्क निर्माण (endogenous network formation)। मौजूदा साहित्य अक्सर यह मान लेता है कि सहकर्मी प्रभाव सभी एजेंटों के लिए समान होते हैं या नेटवर्क संरचना बाह्य रूप से (exogenously) दी गई होती है। हालांकि, वास्तव में, एजेंट इस बात में भिन्न होते हैं कि वे सहकर्मियों की प्रतिक्रिया कैसे देते हैं (कुछ स्पिलओवर को बढ़ाते हैं, जबकि अन्य उसे अवशोषित करते हैं), और लिंक अक्सर उन अनभृत गुणों (unobserved traits) के आधार पर रणनीतिक रूप से बनाए जाते हैं जो परिणामों को भी प्रभावित करते हैं। इन कारकों को ध्यान में न रखने से गंभीर चयन पूर्वाग्रह (selection bias) और सहकर्मी प्रभावों के परिमाण एवं दिशा के संबंध में गलत निष्कर्ष निकल सकते हैं। लेखक नोट करते हैं कि जबकि भारित नेटवर्क (weighted networks) अंतःक्रिया की तीव्रता को पकड़ सकते हैं, वे यह समझाने में सक्षम नहीं हैं कि एजेंट सहकर्मी व्यवहार को अपने स्वयं के निर्णयों में कैसे परिवर्तित करते हैं। इसके अलावा, मानक स्थानिक स्व-प्रतिगमन (spatial autoregressive - SAR) मॉडल आमतौर पर स्थानिक भार मैट्रिक्स (spatial weights matrix) को स्थिर मानते हैं, जिससे उन अनभृत व्यक्तिगत विशेषताओं से उत्पन्न अंतर्जातता (endogeneity) की अनदेखी होती है जो लिंक निर्माण और परिणामों दोनों को संचालित करती हैं।

कार्यप्रणाली: SCHSAR ढांचा
लेखक एक एकीकृत अर्थमितीय ढांचे का प्रस्ताव करते हैं जिसे चयन-सुधारित विषम स्थानिक स्व-प्रतिगत (Selection-corrected Heterogeneous Spatial Autoregressive - SCHSAR) मॉडल कहा जाता है। यह दृष्टिकोण दो चरणों के माध्यम से नेटवर्क निर्माण और परिणाम निर्धारण को संयुक्त रूप से मॉडल करता है:

1. परिणाम समीकरण (विषमता): मॉडल एक परिमित मिश्रण संरचना (finite mixture structure) को शामिल करके मानक SAR विनिर्देश का विस्तार करता है। व्यक्तियों को $G$ गुप्त प्रकारों (latent types) में से एक को सौंपा जाता है, जिनमें से प्रत्येक एक विशिष्ट सेट ($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$) द्वारा शासित होता है। यह एजेंटों के अनभृत समूहों (unobserved clusters) में समृद्ध विषमता को पकड़ने की अनुमति देता है जहाँ कुछ एजेंटों की सहकर्मी प्रतिक्रिया सकारात्मक, नकारात्मक या शून्य हो सकती है।
2. नेटवर्क निर्माण समीकरण (अंतर्जातता): अधिशेष आव्यूह (adjacency matrix) $W$ को एक रणनीतिक निर्णय लेने वाली प्रक्रिया के परिणाम के रूप में मॉडल किया जाता है। एक गुप्त उपयोगिता फलन (latent utility function) यह निर्धारित करता है कि क्या एक लिंक $w_{ij}$ मौजूद है, जो प्रेक्षित द्विपक्षीय विशेषताओं (जैसे होमोफिली/homophily) और अनभृत व्यक्तिगत-विशिष्ट कारकों ($a_i$) द्वारा संचालित होता है। फलन $f(a_i, a_j)$ या तो अनभृत डिग्री विषमता (additive effects) या अनभृत होमोफिली (distance effects) को कैप्चर करता है।
3. संयुक्त मॉडलिंग और सुधार: मुख्य नवाचार नेटवर्क निर्माण और परिणाम समीकरण दोनों में एक ही अनभृत कारक $a_i$ को शामिल करना है। $a_i$ को एक गुप्त चर के रूप में स्पष्ट रूप से मॉडल करके, जो लिंक बनाने की संभावना और व्यक्ति के परिणाम दोनों को प्रभावित करता है, यह ढांचा उस चयन पूर्वाग्रह (selection bias) को ठीक करता है जो तब उत्पन्न होता है जब $W$ अंतर्जात (endogenous) होता है।

अनुमान रणनीति (Estimation Strategy)
उच्च-आयामी एकीकरण (high-dimensional integration) की आवश्यकता को देखते हुए (गुप्त चर $w^*, z,$ और $a$ के कारण), लेखक मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करते हुए एक पूर्ण बेयसियन डेटा ऑग्मेंटेशन दृष्टिकोण (fully Bayesian data augmentation approach) विकसित करते हैं।

• डेटा ऑग्मेंटेशन: एल्गोरिदम संयुक्त पश्च वितरण (joint posterior distribution) से मॉडल मापदंडों के साथ-साथ गुप्त चरों (व्यक्तिगत रैंडम इफेक्ट्स $a$, गुप्त प्रकार के संकेतक $z$, और गुप्त लिंक उपयोगिता $w^*$) का नमूना (sample) लेता है।
• सैंपलिंग योजना: अधिकांश मापदंडों के लिए संयुग्मी पूर्ववृत्त (conjugate priors) के कारण एल्गोरिदम गिब्स सैंपलिंग (Gibbs sampling) का उपयोग करता है। सहकर्मी प्रभाव मापदंडों $\lambda_g$ के लिए, जिनका कोई मानक पश्च रूप नहीं है, एडेप्टिव स्केलिंग मेट्रोपोलिस (Adaptive Scaling Metropolis - ASM) के साथ 'मेट्रोपोलिस-विदिन-गिब्स' चरण का उपयोग किया जाता है।
• लचीलापन: यह ढांचा बाइनरी नेटवर्क (प्रोबिट लिंक) और भारित नेटवर्क (टोबिट विनिर्देश) दोनों को समायोजित करता है और अनभृत विषमता (डिग्री विषमता बनाम होमोफिली) के विभिन्न विनिर्देशों की अनुमति देता है।

प्रमुख योगदान

1. एकीकृत ढांचा: यह शोध पत्र विषम स्थानिक मॉडलों और नेटवर्क निर्माण अर्थशास्त्र के साहित्य को जोड़ता है। यह मौजूदा मॉडलों (जैसे गोल्डस्मिथ-पिंकहैम और इम्बेंस 2013; कॉर्नवाल और पैरेंट 2017) को विशेष मामलों (जैसे जब $G=1$ या जब नेटवर्क बाह्य होता है) के रूप में समाहित करता है और उनकी प्रतिबंधात्मक मान्यताओं को शिथिल करता है।
2. उपकरणों (Instruments) के बिना अंतर्जातता का समाधान: पारंपरिक इंस्ट्रुमेंटल वेरिएबल दृष्टिकोणों के विपरीत, SCHSAR मॉडल नेटवर्क अंतर्जातता को संरचनात्मक स्रोत (अनभृत विषमता) को सीधे मॉडल करके ठीक करता है, जिससे बाहरी उपकरणों की आवश्यकता समाप्त हो जाती है जो अक्सर कमजोर या अनुपलब्वल होते हैं।
3. डेटा-संचालित विषमता: पूर्व-निर्धारित दृश्य योग्य समूहों (जैसे लिंग, उद्योग) पर निर्भर रहने के बजाय, मॉडल एजेंटों के वर्गीकरण के लिए एक परिमित मिश्रण दृष्टिकोण का उपयोग करता है, जिससे अधिक लचीले और संभावित रूप से अधिक सटीक समूह बनाना संभव होता है।

अनुभवजन्य परिणाम (Empirical Results)
लेखक अमेरिकी फर्मों के एक डेटासेट (1,150 फर्म्स, प्रौद्योगिकी सहयोग नेटवर्क, 1980-2014) पर SCHSAR मॉडल लागू करते हैं, जिसमें कॉर्पोरेट R&D निवेश का विश्लेषण किया गया है।

• नेटवर्क निर्माण: परिणाम उद्योग (SIC) और प्रौद्योगिकी वर्ग के आधार पर लिंक निर्माण में महत्वपूर्ण होमोफिली की पुष्टि करते हैं। अनभृत डिग्री विषमता भी नेटवर्क संरचना का एक प्रमुख चालक है।
• सहकर्मी प्रभाव: चयन पूर्वाग्रह को ठीक करने के बाद, मॉडल R&D पर महत्वपूर्ण लेकिन विषम सहकर्मी प्रभाव प्रकट करता है।
• गुप्त प्रकार (Latent Types): डेटा एक दो-प्रकार के मिश्रण का समर्थन करता है:
  • सहकर्मी-संचालित फर्म्स (~34%): इनमें एक बड़ा नेटवर्क प्रभाव ($\lambda \approx 0.215$) लेकिन कमजोर स्वयं-कीमत लोच ($\approx -2.2$) देखी जाती है। ये फर्म्स सहकर्मियों के R&D के प्रति अधिक प्रतिक्रियाशील और अपने स्वयं के कर लागतों के प्रति कम संवेदनशील होती हैं।
  • स्वयं-संचालित फर्म्स (~66%): इनमें एक छोटा नेटवर्क प्रभाव ($\lambda \approx 0.127$) लेकिन मजबूत स्वयं-कीमत लोच ($\approx -9.5$) देखी जाती है। ये फर्म्स अपनी लागत संरचनाओं के प्रति अधिक संवेदनशील और सहकर्मियों से कम प्रभावित होती हैं।
• नीतिगत निहितार्थ: यह ढांचा फर्म-स्तरीय प्रत्यक्ष, स्पिलइन (प्राप्त करने वाले), और स्पिलआउट (प्रसारित करने वाले) प्रभावों को मापने की अनुमति देता है। विश्लेषण विशिष्ट भूमिकाओं की पहचान करता है: "रिस्पॉन्सिव एब्जॉर्बर्स" (उच्च स्पिलइन, सहकर्मी-संचालित) और "इन्फ्लुएंशियल ट्रांसमिटर्स" (उच्च स्पिलआउट, स्वयं-संचालित लेकिन केंद्रीय)। नेटवर्क-व्यापी नवाचार प्रसार को अधिकतम करने के लिए "ट्रांसमिटर्स" (उच्च कुल स्पिलआउट वाली फर्म्स, जो अक्सर उच्च-तकनीकी क्षेत्रों में बड़ी, केंद्रीय फर्म्स होती हैं) को लक्षित करना एक लागत प्रभावी रणनीति के रूप में दिखाया गया है।

महत्व और दावे
यह शोध पत्र दावा करता है कि SCHSAR ढांचा उन स्थितियों में सहकर्मी प्रभावों के बारे में विश्वसनीय निष्कर्ष निकालने के लिए एक लचीला और मजबूत दृष्टिकोण प्रदान करता है जहाँ व्यक्तिगत विषमता और नेटवर्क अंतर्जातता दोनों मौजूद हैं।

• सिमुलेशन साक्ष्य: मोंटे कार्लो प्रयोगों से पता चलता है कि प्रस्तावित बेयसियन अनुमानकर्ता गणनात्मक रूप से सुलभ (computationally tractable) हैं और लगभग निष्पक्ष अनुमान प्रदान करते हैं, जबकि उपेक्षापूर्ण दृष्टिकोण (अंतर्जातता या समरूपता को अनदेखा करने वाले) गंभीर पूर्वाग्रह और अविश्वसनीय निष्कर्ष उत्पन्न करते हैं।
• नीति डिजाइन: विषम प्रतिक्रियाओं और नेटवर्क स्थितियों को अलग करके, यह मॉडल साक्ष्य-आधारित नीति के लिए मूल्यवान अंतर्दृष्टि प्रदान करता है। यह सुझाव देता है कि समान नीतियां अक्षम हो सकती हैं और लक्षित हस्तक्षेप (जैसे "ट्रांसमिटर्स" बनाम "एब्जॉर्बर्स" पर ध्यान केंद्रित करना) बजट सीमाओं के तहत नवाचार प्रसार को अनुकूलित कर सकते हैं।
• पद्धतिगत प्रगति: यह शोध पत्र खुद को अर्थमितीय मॉडलिंग के एक आवश्यक विकास के रूप में प्रस्तुत करता है, जो बाह्य नेटवर्क और सजातीय एजेंटों की धारणा से आगे बढ़कर आर्थिक और सामाजिक अंतःक्रियाओं की जटिल वास्तविकताओं को बेहतर ढंग से दर्शाता है।