Identification in Dynamic Dyadic Network Formation Models with Fixed Effects

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een enorme, levende web van vriendschappen observeert. Soms maken mensen nieuwe vrienden, soms breken ze contact. De vraag die economen zich stellen is: Waarom gebeurt dit?

Is het omdat mensen op elkaar lijken (homofilie)? Is het omdat ze een gemeenschappelijke vriend hebben (transitiviteit)? Of is er een onzichtbare, statische reden waarom twee specifieke mensen elkaar altijd wel of juist niet vinden, ongeacht wat er om hen heen gebeurt?

Dit paper, geschreven door Wayne Yuan Gao en Yi Niu, is als een detectiveverhaal over hoe we deze vragen kunnen beantwoorden, zelfs als we niet alles kunnen zien.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Grote Probleem: De "Onzichtbare Muur"

Stel je voor dat je kijkt naar twee mensen, Jan en Piet. Ze worden vrienden. Waarom?

Misschien omdat ze allebei van voetbal houden (dit zien we: zichtbare covariaten).
Misschien omdat ze gisteren al een vriend hadden die ze deelt (dit zien we: verleden netwerkinformatie).
Maar misschien hebben ze ook een diepgewortelde, onzichtbare chemie die we nooit kunnen meten (dit noemen economen fixed effects of onwaarneembare heterogeniteit).

Het probleem is dat al deze factoren door elkaar lopen. Het is alsof je probeert te weten hoeveel suiker er in een cake zit, maar je kunt de suiker niet van de bloem en de eieren onderscheiden omdat ze al gemengd zijn. In de econometrie noemen we dit het probleem van identificatie: hoe weten we wat wat is?

2. De Oplossing: Twee Manieren om de "Onzichtbare Muur" te Omzeilen

De auteurs zeggen: "Oké, we kunnen die onzichtbare muur niet weghalen, maar we kunnen hem wel omzeilen of oplossen." Ze gebruiken twee slimme methoden die ze combineren tot één groot gereedschapskistje.

Methode A: De "Tijdmachine" (Integreren)

Stel je voor dat je Jan en Piet observeert gedurende 10 jaar.

Als hun onzichtbare chemie (de "fixed effect") altijd hetzelfde blijft, maar hun zichtbare situatie verandert (bijvoorbeeld: Jan begint te voetballen, Piet stopt ermee), dan kun je kijken naar de veranderingen.
De auteurs zeggen: "Laten we alle jaren samenpakken en kijken naar het gemiddelde gedrag." Door de tijd te gebruiken als een lens, kunnen we de statische onzichtbare factoren "uitrekenen" (integreren) en overhouden aan wat er echt gebeurt als de omstandigheden veranderen.
Analogie: Het is alsof je een zware, statische rots (de onzichtbare reden) hebt, maar je kijkt naar hoe de rivier (de tijd) eromheen stroomt. Door de stroming te analyseren, kun je de vorm van de rots afleiden zonder hem direct aan te raken.

Methode B: De "Twee Spiegels" (Aftrekken)

Dit is nog slimmer. Stel je voor dat je twee situaties vergelijkt die bijna identiek zijn, maar dan in omgekeerde volgorde.

Situatie 1: Jan en Piet zijn vrienden op maandag.
Situatie 2: Jan en Piet zijn geen vrienden op dinsdag.
Als je deze twee situaties van elkaar aftrekt, verdwijnt de "onzichtbare chemie" van Jan en Piet volledig, omdat die op beide dagen hetzelfde was. Het enige wat overblijft, is het verschil in hun zichtbare situatie.
De auteurs gebruiken dit idee niet alleen voor één paar, maar voor hele groepen mensen (netwerken) die in een soort "wiskundige balans" staan. Ze noemen dit signed-subgraph comparisons.
Analogie: Het is alsof je twee identieke weegschalen hebt. Op de ene weegschaal leg je Jan en Piet met hun onzichtbare last. Op de andere leg je ze ook, maar dan in een andere situatie. Als je de schalen tegen elkaar afweegt, vallen de zware lasten (de onzichtbare factoren) precies tegen elkaar weg. Wat overblijft, is het lichte gewicht van de zichtbare veranderingen.

3. De "Superkracht": Als we geluk hebben met de Wiskunde

De paper laat zien dat je deze methoden kunt versterken als je twee extra aannames doet:

We weten hoe de "geluk" (de fouten) zich gedraagt: Stel, we weten dat de onvoorspelbare factoren (zoals een plotselinge bui die je laat regenen) een bekend patroon volgen (zoals een Logit-verdeling).
De onzichtbare last is opgebouwd uit individuele stukjes: In plaats van dat Jan en Piet samen één onzichtbare last hebben, heeft Jan zijn eigen last en Piet zijn eigen last, en tellen die gewoon op.

Als je deze twee dingen combineert, krijg je een exacte formule (een "Conditional Logit").

Analogie: Stel je voor dat je eerder moest raden hoeveel suiker er in de cake zat door te proeven en te schatten (de semiparametrische methode). Maar als je nu weet dat de bakker altijd precies 100g suiker gebruikt en de eieren altijd van hetzelfde formaat zijn, kun je de exacte hoeveelheid suiker berekenen zonder te proeven. Je hebt de "exacte oplossing" gevonden.

4. Waarom is dit belangrijk?

Vroeger konden economen alleen kijken naar statische netwerken (een foto op één moment) of ze moesten heel strenge aannames doen.

Dit paper zegt: "Nee, we kunnen kijken naar bewegende beelden (dynamische netwerken)."
We kunnen nu kijken naar hoe vriendschappen ontstaan over tijd, rekening houdend met gemeenschappelijke vrienden, indirecte vrienden (vrienden van vrienden), en veranderende interesses.
Het paper biedt een gereedschapskist die werkt, zelfs als we niet alles perfect weten. Het geeft ons een "range" (een schatting) van wat mogelijk is, en als we geluk hebben met de wiskunde, geeft het ons het exacte antwoord.

Samenvatting in één zin

De auteurs hebben een slimme manier bedacht om te achterhalen waarom mensen vrienden worden in een veranderende wereld, door slimme vergelijkingen te maken in de tijd en tussen groepen, zodat de onzichtbare, onmeetbare factoren vanzelf verdwijnen en we de echte oorzaken kunnen zien.

Het is alsof ze een magische bril hebben ontworpen die de "ruis" van de wereld filtert, zodat we de echte signalen van menselijk gedrag helder kunnen zien.

Each language version is independently generated for its own context, not a direct translation.

Titel: Identificatie in Dynamische Dyadische Netwerkvormingsmodellen met Vaste Effecten

Auteurs: Wayne Yuan Gao en Yi Niu
Datum: 10 april 2026
JEL-classificatie: C14, C23, C31

1. Probleemstelling en Achtergrond

Dynamische modellen voor de vorming van dyadische netwerken (relaties tussen paren individuen) staan voor een fundamenteel econometrisch dilemma: de spanning tussen substantiële realisme en econometrische hanteerbaarheid.

Realisme: Om netwerkdynamiek accuraat te modelleren, moeten factoren zoals state dependence (afhankelijkheid van de huidige staat), homofiele effecten (gelijkheid trekt gelijk aan) en lokale netwerkkoppelingen (zoals transiviteit via gemeenschappelijke vrienden) worden meegenomen. Dit vereist het gebruik van vertraagde (lagged) lokale netwerkstatistieken.
Hanteerbaarheid: Het introduceren van niet-geobserveerde heterogeniteit in de vorm van vaste effecten (fixed effects) maakt identificatie extreem moeilijk. De waargenomen dynamiek van links is een mengsel van structurele staat-afhankelijkheid, geobserveerde homofiele effecten en tijd-invariante, niet-geobserveerde factoren.

De kernvraag is of deze componenten kunnen worden gescheiden met behulp van paneldata van netwerken, zonder te vertrouwen op sterke parametrische aannames over de verdeling van de fouttermen.

2. Modelopzet

Het artikel presenteert een dynamisch dyadisch netwerkvormingsmodel waarbij de surplus van een link op tijdstip $t$ afhangt van:

Tijdvariërende geobserveerde covariaten ( $Z_{ijt}$ ): Bijvoorbeeld afstanden in kenmerken tussen individuen (homofiele effecten).
Vertraagde lokale netwerkstatistieken ( $X_{ij,t-1}$ ): Een vector van vertraagde netwerkmaten, zoals het aantal gemeenschappelijke vrienden, vrienden-van-vrienden, of andere subgraafstatistieken.
Tijd-invariante niet-geobserveerde heterogeniteit ( $A_{ij}$ ): Een dyadisch vast effect dat specifieke, niet-geobserveerde affiniteiten tussen paren weerspiegelt.
Idiosyncratische schokken ( $U_{ijt}$ ).

Het model wordt gespecificeerd als:
$D_{ijt} = \mathbb{1}\{ Z'_{ijt}\alpha_0 + X'_{ij,t-1}\lambda_0 + A_{ij} - U_{ijt} \geq 0 \}$
waarbij $D_{ijt}$ de linkindicator is. De parameter $\theta_0 = (\alpha_0, \lambda_0)$ moet worden geïdentificeerd.

3. Methodologie

De auteurs ontwikkelen een semiparametrisch identificatiekader dat twee complementaire benaderingen combineert om vaste effecten te elimineren. Ze gebruiken een unificerend perspectief dat varieert van "volledig integreren" tot "volledig differenciëren".

A. Twee Complementaire Routes

Dyadische Panel-identificatie (Integreren):
- Treats elke dyade als een kort panel.
- Het vaste effect $A_{ij}$ wordt geïntegreerd uit met betrekking tot een onbekende verdeling.
- Dit maakt gebruik van de aanname dat de verdeling van de schokken homogeen is over de tijd (tijd-homogeniteit).
- Techniek: "Bounding-by-c" (Gao en Wang, 2026) om eindigheid te garanderen en de endogeniteit van vertraagde uitkomsten te hanteren.
Gesigneerde Subgraaf-identificatie (Differenciëren):
- Gebruikt tijd als een extra differencing-dimensie.
- Construeert gebeurtenissen over "edge-time cells" (link-tijd cellen) zodat de vaste effecten algebraïsch wegvallen door vergelijkingen tussen verschillende tijdstippen.
- Dit vereist geen homogeniteit over de tijd, maar alleen exogeniteit.
- Vergelijkt bijvoorbeeld een link die op tijdstip $t$ bestaat maar op $s$ niet, met een omgekeerde situatie, binnen een gebalanceerde collectie van links.

B. Unificerend Kader (Partial Differencing)

De auteurs tonen aan dat deze twee routes de uiterste punten zijn van een spectrum. Ze introduceren een gedeeltelijk differencing/integreren perspectief:

Sommige vaste effecten worden algebraïsch weggedifferentieerd (door gebalanceerde vergelijkingen).
De resterende vaste effecten worden geïntegreerd uit via een gezamenlijke latente verdelingsfunctie (CDF).
Dit leidt tot een algemene klasse van identificatiebeperkingen die zowel cross-sectionele als intertemporele variatie benutten.

4. Belangrijkste Resultaten en Versterkingen

Het artikel toont aan hoe extra structurele aannames de identificatie kunnen aanscherpen (sharpen):

Resultaat 1: Semiparametrische Beperkingen (Zonder parametrische aannames)

Zonder specifieke kennis van de foutverdeling of de vorm van $A_{ij}$ , worden identificatiebereiken afgeleid via:

Propositie 1: Beperkingen gebaseerd op de integratie van het vaste effect over tijd (dyadisch panel).
Propositie 3: Beperkingen gebaseerd op gebalanceerde gesigneerde subgrafen (waarbij de som van de coëfficiënten van de vaste effecten nul is).
Deze resultaten zijn geldig onder willekeurige seriële correlatie binnen een dyade.

Resultaat 2: Bekende Randverdeling en Seriële Onafhankelijkheid

Als de marginale verdeling van de schokken ( $U_{ijt}$ ) bekend is en de schokken seriële onafhankelijkheid vertonen:

Wordt de verdeling van het gecombineerde foutterm (na differencing) bekend (convolutie van bekende verdelingen).
Leidt dit tot expliciete boven- en ondergrenzen voor de parameters (Propositie 5).
Dit versterkt de resultaten zonder de logit-aannames te vereisen.

Resultaat 3: Additieve Vaste Effecten (Additive Node Effects)

Als het dyadische vaste effect additief is in individuele niveaus ( $A_{ij} = \nu_i + \nu_j$ ):

Kan gewogen differencing worden toegepast rondom individuen in plaats van alleen rondom paren.
Dit vergroot de klasse van toelaatbare vergelijkingen aanzienlijk (bijv. driehoeken, sterren, langere cycli) (Propositie 6).
Zelfs met een onbekende foutverdeling worden de identificatiebereiken smaller.

Resultaat 4: Exacte Conditionele Logit Representatie (De "Gouden Standaard")

Door de bovenstaande structuren te combineren met i.i.d. logistische schokken:

Krijgt men een exacte conditionele logit representatie voor elke configuratie van edge-time cells die volledig node-gebalanceerd is (d.w.z. elke node komt even vaak voor in de positieve en negatieve groepen).
Theorema 1: Dit generaliseert het bekende "tetrad logit" van Graham (2017). Waar Graham zich beperkte tot binnen-periode vergelijkingen, maakt dit model gebruik van zowel cross-node als cross-period variatie.
Nieuwe Configuraties: Het artikel identificeert nieuwe, krachtige vergelijkingen zoals:
- Intertemporele tetrads: Vergelijkingen tussen links op verschillende tijdstippen.
- Triadische cycli: Vergelijkingen binnen drie nodes over meerdere tijdstippen.
Puntidentificatie: Er worden voldoende voorwaarden gegeven voor puntidentificatie, gebaseerd op het feit dat de steun van de geobserveerde covariatenverschillen de parameter ruimte opvult.

5. Bijdrage en Significantie

Uitbreiding van Bestaande Literatuur: Het artikel bouwt voort op Graham (2017) en Graham (2016), maar lost het probleem op van het meenemen van tijdvariërende geobserveerde covariaten (homofiele effecten), wat de eerdere "stable-neighborhood" methoden onpraktisch maakte.
Semiparametrische Flexibiliteit: Het biedt een robuust kader dat niet afhankelijk is van de logit-aannames, maar wel de mogelijkheid biedt om deze te gebruiken om de resultaten te versterken.
Unificatie van Benaderingen: Het verbindt de literatuur over dynamische panelmodellen (Gao en Wang, 2026) met netwerkmethode (Gao, Li, en Xu, 2026) in een coherent raamwerk.
Praktische Toepasbaarheid: Door het gebruik van vertraagde netwerkstatistieken wordt simultaneiteit (endogeniteit) vermeden, wat de identificatie vereenvoudigt ten opzichte van statische strategische modellen.
Innovatieve Identificatiestrategieën: De introductie van "intertemporal tetrads" en "triadic cycles" biedt nieuwe manieren om parameters te identificeren, zelfs in netwerken met weinig cross-sectionele variatie op één specifiek tijdstip.

Conclusie:
Dit artikel levert een fundamentele bijdrage aan de econometrie van netwerken door te laten zien dat dynamische dyadische netwerkvormingsmodellen met vaste effecten en tijdvariërende covariaten semiparametrisch identificeerbaar zijn. Door een unificerend "differencing/integrating" perspectief te adopteren en extra structurele aannames (zoals additieve effecten en logit-shocks) te benutten, biedt het een breed scala aan identificatiestrategieën, variërend van robuuste momentbeperkingen tot exacte conditionele likelihood-methoden.