Heterogeneous Peer Effects with Endogenous Network Formation

기술 요약: 내생적 네트워크 형성을 동반한 이질적 동료 효과

문제 제기
본 논문은 사회적 및 경제적 상호작용을 모델링하는 데 있어 지속적인 두 가지 방법론적 과제인 **이질적 동료 효과(heterogeneous peer effects)**와 **내생적 네트워크 형성(endogenous network formation)**을 다룹니다. 기존 문헌은 동료 효과가 모든 주체에게 균일하거나 네트워크 구조가 외생적으로 주어진다고 가정하는 경우가 많습니다. 그러나 현실에서 주체들은 동료의 반응 방식이 서로 다르며(어떤 이들은 파급 효과를 증폭시키고, 다른 이들은 흡수함), 링크는 종종 결과에 영향을 미치는 관찰되지 않은 특성에 기반하여 전략적으로 형성됩니다. 이러한 요인들을 고려하지 못하면 선택 편향(selection bias)이 발생하고 동료 효과의 크기와 방향에 대한 잘못된 추론을 초래하게 됩니다. 저자들은 가중 네트워크(weighted networks)가 상호작용의 강도는 포착할 수 있지만, 주체가 동료의 행동을 자신의 결정으로 어떻게 변환하는지에 대한 변동성을 설명할 수는 없다고 지적합니다. 또한, 표준 공간 자기회귀(SAR) 모델은 일반적으로 공간 가중치 행렬을 고정된 것으로 취급하여, 링크 형성과 결과 모두를 결정하는 관찰되지 않은 개인별 특성에서 기인하는 내생성을 무시합니다.

방법론: SCHSAR 프레임워크
저자들은 선택 교정 이질적 공간 자기회귀(Selection-corrected Heterogeneous Spatial Autoregressive, SCHSAR) 모델이라 불리는 통합된 계량경제학적 프레임워크를 제안합니다. 이 접근 방식은 두 단계에 걸쳐 네트워크 형성과 결과 결정을 공동으로 모델링합니다.

1. 결과 방정식 (이질성): 이 모델은 **유한 혼합 구조(finite mixture structure)**를 통합함으로써 표준 SAR 명세를 확장합니다. 개인은 $G$개의 잠재적 유형 중 하나에 할당되며, 각 유형은 별도의 파라미터 세트($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$)에 의해 제어됩니다. 이를 통해 일부 주체는 양(+)의 반응을, 일부는 음(-)의 반응을, 또는 제로(0)의 반응을 보이는 등의 풍부한 이질성을 포착할 수 있습니다.
2. 네트워크 형성 방정식 (내생성): 인접 행렬 $W$는 전략적 의사결정 과정의 실현체로 모델링됩니다. 잠재적 효용 함수는 관찰된 쌍별 특성(예: 동종 선호성, homophily)과 관찰되지 않은 개인별 요인($a_i$)에 의해 결정되는 링크 $w_{ij}$의 존재 여부를 결정합니다. 함수 $f(a_i, a_j)$는 관찰되지 않은 차수 이질성(additive effects) 또는 관찰되지 않은 동종 선호성(distance effects)을 포착합니다.
3. 공동 모델링 및 교정: 핵심 혁신은 동일한 관찰되지 않은 요인 $a_i$를 네트워크 형성과 결과 방정식 모두에 포함시킨 점입니다. $a_i$를 링크 형성 확률과 개인의 결과 모두에 영향을 미치는 잠재 변수로 명시적으로 모델링함으로써, 네트워크 $W$가 내생적일 때 발생하는 선택 편향(누락 변수 편향)을 교정합니다.

추정 전략
잠재 변수($w^*, z, a$)로 인한 고차원 적분이 필요하기에, 저자들은 마르코프 연쇄 몬테카를로(MCMC)를 사용하는 완전 베이지안 데이터 증강(fully Bayesian data augmentation) 접근 방식을 개발했습니다.

• 데이터 증강: 알고리즘은 결합 사후 분포로부터 모델 파라미터와 함께 잠재 변수(개인별 무작위 효과 $a$, 잠재 유형 지표 $z$, 잠재 링크 효용 $w^*$)를 샘플링합니다.
• 샘플링 체계: 공액 사전 분포(conjugate priors)를 사용하는 대부분의 파라미터에는 깁스 샘플링(Gibbs sampling)을 활용합니다. 표준 사후 형태를 갖지 않는 동료 효과 파라미터 $\lambda_g$의 경우, 적응형 스케일링 메트로폴리스(Adaptive Scaling Metropolis, ASM)를 이용한 Metropolis-within-Gibbs 단계를 사용합니다.
• 유연성: 이 프레임워크는 이진 네트워크(probit 연결)와 가중 네트워크(Tobit 명세)를 모두 수용하며, 관찰되지 않은 이질성의 유형(차수 이질성 대 동종 선호성)에 따른 다양한 명세를 허용합니다.

주요 기여

1. 통합된 프레임워크: 본 논문은 이질적 공간 모델과 네트워크 형성 계량경제학 문헌을 연결합니다. 이는 기존 모델들(예: $G=1$이거나 네트워크가 외생적인 경우의 Goldsmith-Pinkham and Imbens 2013; Cornwall and Parent 2017)을 제한적 가정을 완화하면서 그 특수 사례로 포함합니다.
2. 도구 변수 없는 내생성 해결: 전통적인 도구 변수 접근 방식과 달리, SCHSAR 모델은 편향의 구조적 원인(관찰되지 않은 이질성)을 직접 모델링함으로써 네트워크 내생성을 교정하며, 종종 약하거나 구하기 어려운 외부 도구 변수의 필요성을 피합니다.
3. 데이터 기반 이질성: 사전에 정의된 관찰 가능한 그룹(예: 성별, 산업)에 의존하여 이질성을 정의하는 대신, 모델은 잠재 유형을 식별하기 위해 유한 혼합 방식을 사용하여 데이터를 기반으로 하며, 이를 통해 더 유연하고 잠재적으로 더 정확한 주체 그룹화를 가능하게 합니다.

실증 결과
저자들은 기술 협력 네트워크(1980–2014)에 참여한 1,150개 미국 기업의 데이터셋을 적용하여 기업의 R&D 투자를 분석했습니다.

• 네트워크 형성: 결과는 산업(SIC) 및 기술 클래스에 기반한 링크 형성에 있어 유의미한 동종 선호성을 확인해 줍니다. 관찰되지 않은 차수 이질성 또한 네트워크 구조의 핵심 동인입니다.
• 동료 효과: 선택 편향을 교정한 후, 모델은 R&D에 대한 유의미한 양(+)의 이질적 동료 효과를 드러냅니다.
• 잠재 유형: 데이터는 두 가지 유형의 혼합을 지지합니다:
  • 동료 주도형 기업 (~34%): 더 큰 네트워크 효과($\lambda \approx 0.215$)를 보이지만, 자체 가격 탄력성은 더 약합니다($\approx -2.2$). 이들은 동료의 R&D에는 더 민감하게 반응하지만, 자신의 세금 비용에는 덜 민감합니다.
  • 자기 주도형 기업 (~66%): 더 작은 네트워크 효과($\lambda \approx 0.127$)를 보이지만, 자체 가격 탄력성은 더 강합니다($\approx -9.5$). 이들은 자신의 비용 구조에는 더 민감하며 동료의 영향은 덜 받습니다.
• 정책적 시사점: 이 프레임워크는 기업 수준의 직접 효과, 수혜(spilling) 효과, 전파(spillout) 효과를 정량화할 수 있게 해줍니다. 분석 결과 다음과 같은 역할을 식별했습니다: "반응형 흡수자"(높은 수혜 효과, 동료 주도형)와 "영향력 있는 전파자"(높은 전파 효과, 자기 주도형이지만 중심적 위치). 총 전파 효과가 높은 기업(종종 고기술 분야의 규모가 크고 중심적인 기업)을 대상으로 하는 것이 네트워크 전체의 혁신 확산을 극대화하기 위한 비용 효율적인 전략임을 보여줍니다.

의의 및 주장
본 논문은 SCHSAR 프레임워크가 개인의 이질성과 네트워크 내생성이 모두 존재하는 환경에서 신뢰할 수 있는 결론을 도출하기 위한 유연하고 견고한 접근 방식을 제공한다고 주장합니다.

• 시뮬레이션 증거: 몬테카를로 실험은 제안된 베이지안 추정치가 계산적으로 용이하며, 명목적 커버리지를 가진 거의 편향되지 않은 추정치를 산출하는 반면, 단순한 방식(내생성이나 동질성을 무시하는 방식)은 심각한 편향과 신뢰할 수 없는 추론을 생성함을 입증합니다.
• 정책 설계: 이질적 반응과 네트워크 위치를 분리함으로써, 모델은 증거 기반 정책에 대한 귀중한 통찰력을 제공합니다. 이는 균일한 정책이 비효격적일 수 있으며, "전파자" 대 "흡수자"를 표적으로 하는 것과 같은 타겟팅된 개입이 예산 제약 하에서 혁신 확산을 최적화할 수 있음을 시사합니다.
• 방법론적 발전: 본 논문은 외생적 네트워크와 동질적 주체라는 가정을 넘어, 경제적 및 사회적 상호작용의 복잡한 현실을 더 잘 반영하는 계량경제학 모델링의 필수적인 진화로서 자신을 위치시킵니다.