Heterogeneous Peer Effects with Endogenous Network Formation

Sintesi Tecnica: Effetti tra Pari Eterogenei con Formazione di Reti Endogena

Definizione del Problema
Il documento affronta due sfide metodologiche persistenti nella modellizzazione delle interazioni sociali ed economiche: gli effetti tra pari eterogenei e la formazione di reti endogene. La letteratura esistente spesso assume che gli effetti tra pari siano uniformi per tutti gli agenti o che la struttura della rete sia esogena. Tuttavia, nella realtà, gli agenti differiscono nel modo in cui rispondono ai propri pari (alcuni amplificano, altri assorbono le esternalità) e i legami sono spesso formati strategicamente sulla base di tratti non osservati che influenzano anche i risultati. Non tenere conto di questi fattori porta a gravi bias di selezione e inferenze errate sull'entità e sulla direzione degli effetti tra pari. Gli autori osservano che, sebbene le reti pesate possano catturare l'intensità dell'interazione, non possono spiegare la variazione nel modo in cui gli agenti traducono il comportamento dei pari nelle proprie decisioni. Inoltre, i modelli standard di autoregressione spaziale (SAR) trattano tipicamente la matrice dei pesi spaziali come fissa, ignorando l'endogeneità derivante da caratteristiche individuali non osservate che guidano sia la formazione dei legami che i risultati.

Metodologia: Il Framework SCHSAR
Gli autori propongono un framework econometrico unificato chiamato modello Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR). Questo approccio modella congiuntamente la formazione della rete e la determinazione dei risultati attraverso due stadi:

1. Equazione dei Risultati (Eterogeneità): Il modello estende la specifica SAR standard incorporando una struttura a miscela finita. Gli individui sono assegnati a uno dei $G$ tipi latenti, ciascuno governato da un set distinto di parametri ($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$). Ciò consente agli effetti tra pari ($\lambda_g$) e ad altri coefficienti di variare tra cluster non osservati, catturando una ricca eterogeneità dove alcuni agenti possono avere risposte ai pari positive, negative o nulle.
2. Equazione di Formazione della Rete (Endogeneità): La matrice di adiacenza $W$ è modellata come la realizzazione di un processo decisionale strategico. Una funzione di utilità latente determina se un legame $w_{ij}$ esiste, guidato da caratteristiche diadiche osservate (es. omofilia) e da fattori individuali non osservati ($a_i$). La funzione $f(a_i, a_j)$ cattura l'eterogeneità del grado non osservata (effetti additivi) o l'omofilia non osservata (effetti di distanza).
3. Modellazione Congiunta e Correzione: L'innovazione principale è l'inclusione dello stesso fattore non osservato $a_i$ sia nelle equazioni di formazione della rete che in quelle dei risultati. Modellando esplicitamente $a_i$ come una variabile latente che influenza sia la probabilità di formare un legame sia l'esito individuale, il framework corregge il bias di selezione (bias da variabile omessa) che sorge quando $W$ è endogena.

Strategia di Stima
Data l'elevata dimensionalità dell'integrazione richiesta per la stima della massima verosimiglianza (a causa delle variabili latenti $w^*$, $z$ e $a$), gli autori sviluppano un approccio di aumento dei dati completamente Bayesiano utilizzando il Markov Chain Monte Carlo (MCMC).

• Aumento dei Dati (Data Augmentation): L'algoritmo campiona le variabili latenti (effetti casuali individuali $a$, indicatori di tipo latente $z$ e utilità di legame latente $w^*$) insieme ai parametri del modello dalla distribuzione posteriore congiunta.
• Schema di Campionamento: La procedura utilizza il campionamento di Gibbs per la maggior parte dei parametri, grazie ai priori coniugati. Per i parametri dell'effetto tra pari $\lambda_g$, che non possiedono una forma posteriore standard, viene impiegato un passaggio di Metropolis-within-Gibbs con Adaptive Scaling Metropolis (ASM).
• Flessibilità: Il framework accoglie sia reti binarie (link probit) che reti pesate (specificazione Tobit) e consente diverse specifiche di eterogeneità non osservata (eterogeneità di grado vs. omofilia).

Contributi Chiave

1. Framework Unificato: Il documento unisce la letteratura sui modelli spaziali eterogenei e l'econometria della formazione delle reti. Esso annida i modelli esistenti (es. Goldsmith-Pinkham e Imbens 2013; Cornwall e Parent 2017) come casi speciali (es. quando $G=1$ o quando la rete è esogena) pur rilassandone le assunzioni restrittive.
2. Correzione dell'Endogeneità senza Strumenti: A differenza degli approoli tradizionali con variabili strumentali, il modello SCHSAR corregge l'endogeneità della rete modellando direttamente la fonte strutturale del bias (l'eterogeneità non osservata), evitando la necessità di strumenti esterni che sono spesso deboli o non disponibili.
3. Eterogeneità Guidata dai Dati: Inveve di fare affidamento su gruppi osservabili predefiniti (es. genere, settore industriale) per definire l'eterogeneità, il modello utilizza un approccio a miscela finita per identificare tipi latenti basati sui dati, permettendo una raggruppamento più flessibile e potenzialmente più accurato degli agenti.

Risultati Empirici
Gli autori applicano il modello SCHSAR a un dataset di 1.150 imprese statunitensi coinvolte in una rete di collaborazione tecnologica (1980–2014), analizzando gli investimenti in R&S aziendale.

• Formazione della Rete: I risultati confermano una significativa omofilia nella formazione dei legami basata sul settore (SIC) e sulla classe tecnologica. Anche l'eterogeneità del grado non osservata è un driver chiave della struttura della rete.
• Effetti tra Pari: Dopo aver corretto il bias di selezione, il modello rivela effetti tra pari positivi ma eterogenei sulla R&S.
• Tipi Latenti: I dati supportano una miscela a due tipi:
  • Imprese guidate dai pari (~34%): Mostrano un effetto di rete maggiore ($\lambda \approx 0,215$) ma una minore elasticità rispetto al proprio prezzo ($\approx -2,2$). Queste imprese sono più reattive alla R&S dei pari e meno sensibili ai propri costi fiscali.
  • Imprese auto-dirette (~66%): Mostrano un effetto di rete minore ($\lambda \approx 0,127$) ma una maggiore elasticità rispetto al proprio prezzo ($\approx -9,5$). Queste imprese sono più sensibili alle proprie strutture di costo e meno influenzate dai pari.
• Implicazioni Politiche: Il framework consente di quantificare gli effetti diretti, di spillin (ricezione) e di spillout (trasmissione) a livello aziendale. L'analisi identifica ruoli distinti: "assorbitori reattivi" (alto spillin, guidati dai pari) e "trasmettitori influenti" (alto spillout, auto-diretti ma centrali). Si dimostra che colpire le imprese con elevati effetti di spillout totale (spesso grandi imprese centrali nei settori high-tech) è una strategia efficace per massimizzare la diffusione dell'innovazione nell'intera rete.

Significatività e Rivendicazioni
Il documento sostiene che il framework SCHSAR fornisca un approccio flessibile e robusto per trarre conclusioni credibili sugli effetti tra pari in contesti in cui sono presenti sia l'eterogeneità individuale che l'endogeneità della rete.

• Evidenza di Simulazione: Gli esperimenti Monte Carlo dimostrano che gli stimatori Bayesiani proposti sono computazionalmente trattabili e producono stime quasi non distorte con copertura nominale, mentre gli approcci ingenui (che ignorano l'endogeneità o l'omogeneità) producono bias severi e inferenze inaffidabili.
• Design delle Politiche: Distinguendo le risposte eterogenee e le posizioni in rete, il modello offre spunti preziosi per la politica economica. Suggerisce che le politiche uniformi possono essere inefficienti e che interventi mirati (es. concentrarsi su "trasmettitori" vs. "assorbitori") possono ottimizzare la diffusione dell'innovazione sotto vincoli di budget.
• Avanzamento Metodologico: Il lavoro si pone come un'evoluzione necessaria nella modellazione econometrica, andando oltre l'assunzione di reti esogene e agenti omogenei per riflettere meglio le complesse realtà delle interazioni economiche e sociali.