Heterogeneous Peer Effects with Endogenous Network Formation

技術的要約：内生的なネットワーク形成を伴う異質なピア効果

問題提起
本論文は、社会的・経済的相互作用のモデリングにおける2つの持続的な手法上の課題、すなわち「異質なピア効果（heterogeneous peer effects）」と「内生的なネットワーク形成（endogenous network formation）」に対処している。既存の文献では、ピア効果がすべてのエージェントに対して一様である、あるいはネットワーク構造が外生的に与えられていると仮定することが多い。しかし現実には、エージェントはピアへの反応において異なり（ある者は波及を増幅させ、ある者は吸収する）、リンクはまた、アウトカムにも影響を与える観察不可能な特性に基づいて戦略的に形成される。これらの要因を考慮しない場合、選択バイアスが生じ、ピア効果の大きさや方向に関する推論が誤ったものとなる。著者らは、重み付きネットワークは相互作用の強度を捉えることはできるものの、エージェントがピアの行動を自身の意思決定へとどのように変換するかというバリエーションを説明することはできないと指摘している。さらに、標準的な空間自己回帰（SAR）モデルは、空間重み行列を固定されたものとして扱うのが一般的であり、リンク形成とアウトカムの両方を駆動する観察不可能な個体特性から生じる内生性を無視している。

手法：SCHSARフレームワーク
著者らは、**選択補正型異質空間自己回帰（Selection-corrected Heterogeneous Spatial Autoregressive: SCHSAR）**モデルと呼ばれる統一された計量経済学的フレームワークを提案している。このアプローチは、ネットワーク形成とアウトカム決定を以下の2つの段階を通じて結合的にモデリングする：

1. アウトカム方程式（異質性）： 本モデルは、有限混合構造（finite mixture structure）を組み込むことで、標準的なSAR仕様を拡張している。個人は、$G$個の潜在的なタイプのうちの1つに割り当てられ、各タイプは固有のパラメータ集合（$\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$）に従う。これにより、ピア効果（$\lambda_g$）やその他の係数が観察不可能なクラスター間で変化することを可能にし、あるエージェントは正の反応を示し、ある者は負またはゼロの反応を示すといった、豊かな異質性を捉えることができる。
2. ネットワーク形成方程式（内生性）： 隣接行列 $W$ は、戦略的な意思決定プロセスの実現値としてモデル化される。潜在的な効用関数は、観察可能なダイアド（二者間）特性（例：ホモフィリー）と、観察不可能な個体固有の要因（$a_i$）によって、リンク $w_{ij}$ が存在するかどうかを決定する。関数 $f(a_i, a_j)$ は、観察不可能な次数の異質性（加法的な効果）または観察不可能なホモフィリー（距離の効果）のいずれかを捉える。
3. 結合モデリングと補正： コアとなる革新性は、ネットワーク形成と個人のアウトカムの両方に影響を与える同一の観察不可能な要因 $a_i$ を含めている点にある。$a_i$ を、リンク形成の確率と個人のアウトカムの両方に影響を与える潜在変数として明示的にモデル化することで、本フレームワークは、$W$ が内生的である場合に生じる選択バイアス（欠落変数バイアス）を補正する。

推定戦略
潜在変数（$w^*, z, a$）による高次元の積分が必要となるため、著者らはマルコフ連鎖モンテカルロ法（MCMC）を用いた完全ベイズ・データ拡張アプローチを開発した。

• データ拡張： アルゴリズムは、結合事後分布から、潜在変数（個人のランダム効果 $a$、潜在的なタイプ指標 $z$、および潜在的なリンク効用 $w^*$）とモデルパラメータを同時にサンプリングする。
• サンプリングスキーム： 共役事前分布を用いるため、ほとんどのパラメータにはギブスサンプリングを利用する。標準的な事後形式を持たないピア効果パラメータ $\lambda_g$ については、適応スケーリング・メトロポリス（Adaptive Scaling Metropolis: ASM）を用いたメトロポリス・ウィズイン・ギブス法が採用されている。
• 柔軟性： 本フレームワークは、バイナリ・ネットワーク（プロビット・リンク）と重み付きネットワーク（トビット仕様）の両方に対応しており、観察不可能な異質性の仕様（次数の異質性 vs ホモフィリー）についても異なる設定が可能である。

主な貢献

1. 統一されたフレームワーク： 本論文は、異質な空間モデルの文献とネットワーク形成計量経済学の文献を橋渡しするものである。既存のモデル（例：Goldsmith-Pinkham and Imbens 2013; Cornwall and Parent 2017）を、例えば $G=1$ の場合やネットワークが外生的な場合などの特殊なケースとして包含しつつ、それらの制限的な仮定を緩和している。
2. 操作変数を用いない内生性への対処： 伝統的な操作変数法とは異なり、SCHSARモデルは、内生性の構造的な源泉（観察不可能な異質性）を直接モデル化することでネットワークの内生性を補正する。これにより、弱すぎる、あるいは入手困難であることが多い外部操作変数を必要とせずに済む。
3. データ駆動型の異質性： 異質性を定義するために、あらかじめ定義された観察可能なグループ（例：性別、産業）に頼るのではなく、本モデルは有限混合アプローチを用いてデータに基づき潜在的なタイプを特定する。これにより、より柔軟で、潜在的に正確なエージェントのグルーピングが可能となる。

実証結果
著者らは、技術提携ネットワークに関与する1,150の米国企業（1980年〜2014年）のデータセットを用い、企業のR&D投資を分析することでSCHSARモデルを適用した。

• ネットワーク形成： 結果は、産業（SIC）および技術クラスに基づくリンク形成における有意なホモフィリーを裏付けている。また、観察不可能な次数の異質性もネットワーク構造の主要な駆動力となっている。
• ピア効果： 選択バイアスを補正した後、モデルはR&Dに対する有意かつ異質なピア効果を明らかにしている。
• 潜在的タイプ： データは2つのタイプの混合を支持している：
  • ピア駆動型企業（約34%）： より大きなネットワーク効果（$\lambda \approx 0.215$）を示すが、自己価格弾力性は弱い（$\approx -2.2$）。これらの企業は、ピアのR&Dに対してより反応的であり、自身の税コストに対しては敏感ではない。
  • 自己駆動型企業（約66%）： より小さなネットワーク効果（$\lambda \approx 0.127$）を示すが、自己価格弾力性は強い（$\approx -9.5$）。これらの企業は、自身のコスト構造に対して敏感であり、ピアの影響を受けにくい。
• 政策的含意： 本フレームワークは、企業レベルの直接的、受容的（spillin）、および伝播的（spillout）な効果を定量化することを可能にする。分析によれば、明確な役割が特定されている：「応答的な吸収者（高いspillinを持つ、ピア駆動型）」と「影響力のある伝達者（高いspilloutを持つ、自己駆動型だが中心的）」である。ネットワーク全体のイノベーション拡散を最大化するためのコスト効率の高い戦略として、高い総spillout効果を持つ企業（多くの場合、ハイテク分野の中心的な大企業）をターゲットにすることが示されている。

意義と主張
本論文は、SCHSARフレームワークが、個人の異質性とネットワークの内生性の両方が存在する設定において、ピア効果に関する信頼できる結論を導き出すための柔軟かつ堅牢なアプローチを提供すると主張している。

• シミュレーションによる証拠： モンテカルロ実験は、提案されたベイズ推定法が計算可能であり、名目上の被覆率を持つほぼ不偏な推定値を与える一方で、ナイーブな手法（内生性や同質性を無視するもの）は深刻なバイアスと信頼できない推論を生むことを示している。
• 政策設計： 異質な反応とネットワーク上の位置を切り分けることで、本モデルはエビデンスに基づく政策のための貴重な洞察を提供する。これは、一律の政策は非効率的である可能性があり、ターゲットを絞った介入（例：「伝達者」対「吸収者」への焦点化）が、予算制約の下でイノベーションの拡散を最適化できることを示唆している。
• 手法上の進展： 本論文は、外生的なネットワークや同質なエージェントという仮定を超え、経済的・社会的相互作用の複雑な現実をより良く反映させるための、必要な進化であると位置づけている。