Social Interactions Models with Latent Structures

技術的要約：潜在構造を持つ社会的相互作用モデル

問題提起
本論文は、二値選択モデルにおける異質な社会的相互作用（ピア効果）の推定と推論を取り扱う。標準的なアプローチは、すべてのグループ（例：学校）に対してパラメータが同質であると仮定することが多いが、この仮定が崩れた場合には深刻なバイアスが生じるリスクがある。逆に、すべてのグループに対して完全な異質性を認めると、個々のグループ内のサンプルサイズが小さいために推定が不安定になる。こうした分類のためにクラス規模などの外部変数を用いたクラスター構造を事前に指定しようとする既存の文献もあるが、そのような分類のための外部変数が常に利用可能であるとは限らない。さらに、既存の社会的相互作用に関する手法は、グループの固定効果を考慮できていないことが多く、特にパネルデータ設定において入れ子状の擬似尤度（Nested Pseudo Likelihood: NPL）推定量を用いる際、傾き係数の推定に偶発的なパラメータ・バイアス（incidental parameter bias）を引き起こす。

手法
著者らは、潜在的なクラスター構造を同時に特定し、グループ固定効果と傾きの異質性を組み込んだ構造パラメータを推定するフレームワークを提案している。この手法は、以下の3つの核となるコンポーネントで構成されている。

1. モデルの仕様: 本研究では、個人の効用が、観測可能な特性、グループ固定効果、および外生的に与えられたネットワーク内におけるピアの平均条件付き選択確率（CCP）に依存する、社会的相互作用を伴う二値選択モデルを利用している。傾き係数は、潜在的なクラスター内では同質であるが、クラスター間では異質であると仮定される。
2. 推定アルゴリズム (NPL-C-Lasso):
   • ステップ1 (第1段階NPL): 各グループに対して独立にNPLアルゴリズムを適用し、パラメータとCCPの予備的な推定値を得る。これにより、分類と同時にCCPを解くという計算上の負担を回避する。
   • ステップ2 (分類): 初期推定値を潜在的なクラスターへとグループ化するために、分類器Lasso（Classifier-Lasso: C-Lasso）アルゴリズムを採用する。これは、グループ固有の推定値をクラスター固有のパラメータへと縮小させる乗法的ペナルティ項を用いた、ペナルティ付きプロファイル尤度の最小化を伴い、クラスター数（$K_0$）の事前知識なしにクラスターへの所属を決定する。
   • ステップ3 (分類後の推定): クラスターが特定された後、各クラスター内のプールされたデータに対してNPLを再適用し、最終的な推定量を得る。
3. バイアス補正と推論:
   • 本論文は、高次元の偶発的パラメータ（グループ固定効果）が、傾き係数に漸近的バイアスを誘発することを指摘している。これは、固定点ゲームにおけるNPL推定量についてはこれまで特徴付けられてこなかった現象である。
   • これを補正するため、著者らは固定効果モデル向けに調整されたパラメトリック・ブートストラップ法（Higgins and Jochmans, 2024）を適応させている。この手法は、デバイアス（偏り除去）された推定量と有効な信頼区間を構築するものであり、CCPの同時決定が必要な本件においては実行不可能な分割サンプル・ジャックナイフ法の限界を克服している。
   • また、直接的な共変量効果と、社会的マルチプライヤーを介したネットワーク媒介的な間接効果の両方を捉える平均部分効果（Average Partial Effects: APE）についても推論を開発している。
4. モデル選択: 実践において潜在クラスター数（$K$）を一貫して選択するための情報基準（IC）を提案している。

主な貢献

• 理論的貢献: 本論文は、グループ固定効果と固定点構造を持つ二値選択社会的相互作用モデルにおける、傾き係数の漸近的バイアスを特徴付けている。NPL推定量の漸近正規性を確立し、提案されたパラメトリック・ブートストラップが漸近的に不偏な推定量と正しい被覆率をもたらすことを証明している。
• 手法論的貢献: 分類ステップ（C-Lasso）を計算負荷の高いNPLステップから分離することで、安定性と扱いやすさを向上させた多段階アルゴリズムを導入している。分類の一貫性（グループが真のクラスターに確率1で割り当てられること）と、クラスター数を選択するための情報基準の一貫性を実証している。
• 実証的応用: 本手法をAdd Healthデータセットに適用し、学生の危険行動を調査した。アルゴリズムは、119の学校を2つの明確なクラスター（43校と76校）に分類することに成功した。

結果

• モンテカルロ・シミュレーション: シミュレーションにより、提案手法が有限標本において良好に機能することが確認された。C-Lassoは、グループサイズが増加するにつれて、クラスター数を正確に特定し、高い精度でグループを分類する。デバイアスされた推定量は、プールされた推定量や元の推定量と比較して、バイアスと平方根平均二乗誤差（RMSE）を大幅に減少させ、ブートストラップ信頼区間は公称95%レベルに近い被覆率を達成した。
• 実証的知見: 学生の危険行動に関する適用において：
  • アルゴリズムは119校の学校を、2つの異なるクラスター（43校と76校）に分類した。
  • 異質性: ピア効果は第2のクラスターにおいて統計的に有意かつ経済的に意味がある（係数 $\approx 0.688$）が、第1のクラスターではゼロと統計的に差がない。
  • 変数の効果: 知能が危険行動に与える影響はクラスターによって異なる（第2のクラスターでは正、第1のクラスターでは負）。これは、同質なモデルでは隠されてしまうニュアンスである。
  • 政策的含意: 潜在構造を無視することは、関連するクラスターにおけるピア効果を過小評価し、共変量（例：知能）の効果に関する誤った結論を導くことにつながる。

意義と主張
本論文は、グループ固定効果と潜在構造が存在する状況下でのピア効果に対する有効な統計的推論に関する初の正式な結果を提供することにより、ピア効果に関する文献とパネル・エコノメトリクスの間のギャップを埋めるものであると主張している。古典的な簡潔な同質性の仮定を緩和することは、ビッグデータと現実世界の複雑性に対処するために必要であると述べている。著者らは、彼らのアプローチが、事前に指定されたクラスター情報なしに、潜在構造を検出し、経済的に意味のある対象（APEなど）に対して推論を行うための実践的なパイプラインを提供することを強調している。本研究は、研究者が誤解を招く推論を避けるためには、社会的相互作用モデルにおいて潜在構造を考慮しなければならないと結論付けている。