📈 economics

Heterogeneous Peer Effects with Endogenous Network Formation

Dit artikel stelt een nieuw Bayesiaans Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR) raamwerk voor dat endogene netwerkvorming en heterogene peer-effecten gezamenlijk modelleert, waarbij het significante maar uiteenlopende effecten van peer-interacties op de R&D-investeringen van Amerikaanse bedrijven blootlegt om gericht beleidsontwerp te informeren.

Oorspronkelijke auteurs: Duong Trinh, Santiago Montoya-Blandón

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Duong Trinh, Santiago Montoya-Blandón

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken waarom sommige studenten betere cijfers halen dan anderen. Je zou kunnen gissen dat het komt doordat hun vrienden hard studeren. Maar hier komt de lastige kant: maken de vrienden de student slimmer, of koos de student simpelweg vrienden die al slim waren?

Dit is de kern van het puzzelstukje "peer effects" (groepsinvloeden) in de economie. Lange tijd hadden economen moeite om twee grote problemen tegelijk op te lossen:

Het "Wie is wie?"-probleem: Mensen reageren verschillend op hun vrienden. Sommigen zijn gemakkelijk beïnvloedbaar (zoals een spons), terwijl anderen standvastig zijn en hun eigen gang gaan (zo als een rots). Oude modellen gingen ervan uit dat iedereen een spons was of iedereen een rots, wat niet waar is.
Het "Ei of Kip"-probleem: Mensen kiezen hun vrienden op basis van verborgen eigenschappen (zoals persoonlijkheid of ambitie) die ook hun succes beïnvloeden. Als je dit niet meeneemt in de berekening, klopt de wiskunde niet.

Dit paper introduceert een nieuwe tool genaamd SCHSAR (Selection-corrected Heterogeneous Spatial Autoregressive model) om beide problemen tegelijk op te lossen. Zo werkt het, met behulp van eenvoudige analogieën:

1. De "Magische Groepering" (Heterogeniteit)

Stel je een klaslokaal voor waarin de leraar ervan uitgaat dat iedereen op dezelfde manier leert. De leraar zegt: "Als het gemiddelde van de klas stijgt, stijgt het cijfer van iedereen met 10%."

Maar in werkelijkheid is de klas een mix van Sponzen (die de energie van de klas opzuigen) en Rotsen (die hetzelfde blijven, ongeacht de klas).

De oude modellen behandelden iedereen als een "Gemiddelde Spons".
Dit nieuwe paper zegt: "Laten we een magische lens gebruiken om de studenten stiekem in Sponge-groepen en Rots-groepen te sorteren zonder dat we van tevoren weten wie in welke groep zit."
Het vindt dat ongeveer 34% van de bedrijven in hun studie "Sponzen" zijn (zeer beïnvloedbaar door leeftjes/peers), terwijl 66% "Rchten" zijn (voornamelijk beïnvloed door hun eigen kosten).

2. De "Verborgen Magneet" (Endogene Netwerkvorming)

Stel je nu voor dat deze studenten zelf kiezen waar ze naast gaan zitten.

De "Sponzen" hebben misschien een geheime voorkeur om bij andere "Sponzen" te zitten omdat ze van nature praatziek zijn.
De "Rotsen" geven misschien de voorkeur aan het zitten bij andere "Rotsen" omdat ze van rust houden.
De Valstrik: Als je alleen naar de cijfers kijkt, zou je kunnen denken dat de vrienden de cijfers veroorzaakden. Maar eigenlijk zorgde de verborgen "praatziekte" of "rustigheid" (de verborgen magneet) ervoor dat ze bij elkaar gingen zitten én dat hun cijfers bepaald werden.
Het model van het paper werkt als een röntgenapparaat. Het kijkt naar de vriendschapskeuzes en de cijfers tegelijkertijd om de verborgen magneet te achterhalen. Het corrigeert de wiskunde zodat we de vrienden niet de schuld geven van wat eigenlijk de eigen verborgen persoonlijkheid van de student was.

3. De "Toolkit van de Detective" (Bayesiaanse Schatting)

Het oplossen van dit wiskundige puzzelstukje is ongelooflijk moeilijk omdat er zoveel verborgen variabelen zijn (wie is een spons? wie is een rots? wat is de verborgen magneet?).

In plaats van te proberen het op te lossen met één gigantische, onmogelijke vergelijking, gebruikt de auteur een Bayesiaanse Detective-aanpak.
Denk aan een spelletje "Wie ben ik?" dat duizenden keren wordt gespeeld. De computer doet een gok over wie in welke groep zit, controleert of dit past bij de gegevens, doet een betere gok, en herhaalt dit miljoenen keren.
Uiteindelijk vallen de gokken samen in een helder beeld van de werkelijkheid. Dit stelt hen in staat om te zeggen: "We zijn 95% zeker dat Groep A wordt beïnvloed door leeftjes, terwijl Groep B dat niet wordt."

De Praktijktest: Amerikaanse Bedrijven en R&D

De auteurs testten deze tool op 1.150 Amerikaanse bedrijven die technologie en patenten verhandelen. Ze wilden zien hoe overheidsbelastingvoordelen voor Onderzoek & Ontwikkeling (R&D) eigenlijk werken.

Wat ze vonden:

De "Door Peers Gedreven" Groep (De Sponzen): Ongeveer 34% van de bedrijven wordt sterk beïnvloed door wat hun partners doen. Als hun partners meer uitgeven aan R&D, volgen deze bedrijven het voorbeeld. Ze zijn echter minder gevoelig voor hun eigen belastingvoordelen. Het zijn "volgers van de kudde".
De "Door Zichzelf Gedreven" Groep (De Rotsen): De andere 66% wordt voornamelijk beïnvloed door hun eigen kosten en belastingvoordelen. Ze geven minder om wat hun partners doen.
De "Verborgen Magneet": Bedrijven die van nature goed zijn in het leggen van connecties (hoog "sociaal kapitaal") zijn vaak de bedrijven die de netwerken vormen én investeren in R&D. Als je dit negeert, overschat je hoeveel de ene partner de ander beïnvloedt.

Waarom dit belangrijk is voor beleid

Het paper laat zien dat een "one-size-fits-all" beleid niet werkt.

Als de overheid de innovatie wil stimuleren door middel van belastingvoordelen, moeten ze de "Zelfgedreven" bedrijven targeten, omdat die bedrijven direct zullen reageren op het geld.
Echter, als de overheid een nieuw idee door het hele netwerk wil verspreiden, moeten ze de "Door Peers Gedreven" bedrijven targeten (of de centrale knooppunten in het netwerk). Deze bedrijven fungeren als versterkers; als je hen een zetje geeft, geven zij het door aan de rest.

Kortom: Dit paper geeft economen een betere manier om "invloed" te scheiden van "selectie". Het bewijst dat mensen (en bedrijven) niet allemaal hetzelfde zijn, en dat ze hun vrienden kiezen om verborgen redenen. Door de wiskunde te corrigeren om rekening te houden met dit, kunnen we beter beleid ontwerpen dat daadwerkelijk werkt.

Technische Samenvatting: Heterogene Peer-effecten met Endogene Netwerkvorming

Probleemstelling
Het artikel behandelt twee hardnekkige methodologische uitdagingen bij het modelleren van sociale en economische interacties: heterogene peer-effecten en endogene netwerkvorming. De bestaande literatuur gaat er vaak van uit dat peer-effecten uniform zijn voor alle agenten of dat de netwerkstructuur exogeen gegeven is. In de werkelijkheid verschillen agenten echter in hoe zij reageren op peers (sommigen versterken, anderen absorberen spillover-effecten) en worden links vaak strategisch gevormd op basis van onwaargenomen kenmerken die ook de uitkomsten beïnvloeden. Het niet rekening houden met deze factoren leidt tot ernstige selectiebias en onjuiste inferenties met betrekking tot de omvang en richting van de peer-effecten. De auteurs merken op dat hoewel gewogen netwerken de intensiteit van interactie kunnen vangen, ze niet kunnen verklaren waarom er variatie bestaat in de manier waarop agenten het gedrag van peers vertalen naar hun eigen beslissingen. Bovendien behandelen standaard ruimtelijke autoregressieve (SAR) modellen de ruimtelijke gewichtsmatrix doorgaans als vaststaand, waarbij de endogeniteit die voortvloeit uit onwaargenomen individuele kenmerken die zowel de linkvorming als de uitkomsten drijven, wordt genegeerd.

Methodologie: Het SCHSAR-raamwerk
De auteurs stellen een verenigd econometrisch raamwerk voor genaamd het Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR) model. Deze aanpak modelleert netwerkvorming en de determinatie van uitkomsten gezamenlijk via twee stadia:

Uitkomstvergelijking (Heterogeniteit): Het model breidt de standaard SAR-specificatie uit door een finite mixture structure te incorporeren. Individuen worden toegewezen aan één van de $G$ latente typen, die elk worden beheerst door een distinct pakket aan parameters ( $\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$ ). Dit maakt het mogelijk dat peer-effecten ( $\lambda_g$ ) en andere coëfficiënten variëren over onwaargenomen clusters, waardoor een rijke heterogeniteit wordt gevangen waarbij sommige agenten positieve, negatieve of nul peer-reacties kunnen hebben.
Netwerkvormingsvergelijking (Endogeniteit): De adjacency matrix $W$ wordt gemodelleerd als de realisatie van een strategisch besluitvormingsproces. Een latente nutsfunctie bepaalt of een link $w_{ij}$ bestaat, gedreven door geobserveerde dyadische kenmerken (bijv. homofilie) en onwaargenomen individuele specifieke factoren ( $a_i$ ). De functie $f(a_i, a_j)$ vangt ofwel onwaargenomen graadheterogeniteit (additieve effecten) of onwaargenomen homofilie (afstandseffecten) op.
Gezamenlijke Modellering en Correctie: De kerninnovatie is de inclusie van dezelfde onwaargenomen factor $a_i$ in zowel de netwerkvormingsvergelijking als de uitkomstvergelijking. Door $a_i$ expliciet te modelleren als een latente variabele die zowel de waarschijnlijkheid van het vormen van een link als de individuele uitkomst beïnvloedt, corrigeert het raamwerk voor de selectiebias (omitted variable bias) die ontstaat wanneer $W$ endogeen is.

Schattingstrategie
Gezien de vereiste hoogdimensionale integratie voor maximum likelihood-schatting (vanwege de latente variabelen $w^*$ , $z$ en $a$ ), ontwikkelen de auteurs een volledig Bayesiaanse data-augmentatiebenadering met behulp van Markov Chain Monte Carlo (MCMC).

Data-augmentatie: Het algoritme samplet latente variabelen (individuele random effects $a$ , latente type-indicatoren $z$ en latente link-utiliteiten $w^*$ ) samen met modelparameters uit de gezamenlijke posterior distributie.
Sampling-schema: De procedure maakt gebruik van Gibbs sampling voor de meeste parameters vanwege conjunctieve priors. Voor de peer-effect parameters $\lambda_g$ , die geen standaard posterior vorm hebben, wordt een Metropolis-within-Gibbs stap met Adaptive Scaling Metropolis (ASM) toegepast.
Flexibiliteit: Het raamwerk faciliteert zowel binaire netwerken (probit link) als gewogen netwerken (Tobit-specificatie) en staat verschillende specificaties van onwaargenomen heterogeniteit toe (graadheterogeniteit versus homofilie).

Belangrijkste Bijdragen

Verenigd Raamwerk: Het artikel overbrugt de literatuur over heterogene ruimtelijke modellen en netwerkvormings-econometrie. Het nestelt bestaande modellen (bijv. Goldsmith-Pinkam en Imbens 2013; Cornwall en Parent 2017) als speciale gevallen (bijv. wanneer $G=1$ of wanneer het netwerk exogeen is) terwijl het hun restrictieve aannames versoepelt.
Adresseren van Endogeniteit zonder Instrumenten: In tegenstelling tot traditionele instrumentele variabele-benaderingen, corrigeert het SCHSAR-model voor netwerkendogeniteit door de structurele bron van de bias (onwaargenomen heterogeniteit) direct te modelleren, waardoor de noodzaak voor externe instrumenten die vaak zwak of niet beschikbaar zijn, wordt vermeden.
Data-gestuurde Heterogeniteit: In plaats van te vertrouwen op vooraf gedefinieerde observeerbare groepen (bijv. geslacht, industrie) om heterogeniteit te definiëren, gebruikt het model een finite mixture-benadering om latente typen op basis van de data te identificeren, wat een flexibelere en potentieel nauwkeurigere groepering van agenten mogelijk maakt.

Empirische Resultaten
De auteurs passen het SCHSAR-model toe op een dataset van 1.150 Amerikaanse bedrijven die betrokken zijn bij een technologische samenwerkingsnetwerk (1980–2014), waarbij de corporate R&D-investeringen worden geanalyseerd.

Netwerkvorming: De resultaten bevestigen significante homofilie in linkvorming op basis van industrie (SIC) en technologieklasse. Onwaargenomen graadheterogeniteit is eveneens een belangrijke drijfveer van de netwerkstructuur.
Peer-effecten: Na correctie voor selectiebias onthult het model significante, maar heterogene positieve peer-effecten op R&D.
Latente Typen: De data ondersteunt een twee-type mixture:
- Peer-gedreven bedrijven (~34%): Vertonen een groter netwerkeffect ( $\lambda \approx 0,215$ ) maar een zwakkere eigen-prijs elasticiteit ( $\approx -2,2$ ). Deze bedrijven zijn responsiever op de R&D van peers en minder gevoelig voor hun eigen kostenstructuren.
- Zelf-gedreven bedrijven (~66%): Vertonen een kleiner netwerkeffect ( $\lambda \approx 0,127$ ) maar een sterkere eigen-prijs elasticiteit ( $\approx -9,5$ ). Deze bedrijven zijn gevoeliger voor hun eigen kostenstructuren en minder beïnvloed door peers.
Beleidsimplicaties: Het raamwerk maakt het mogelijk om de directe, ontvangende (spillin) en uitzendende (spillout) effecten op bedrijfsniveau te kwantificeren. De analyse identificeert onderscheidende rollen: "responsieve absorbers" (hoge spillin, peer-gedreven) en "invloedrijke transmitters" (hoge spillout, zelf-gedreven maar centraal). Het gericht aanpakken van bedrijven met hoge totale spillout-effecten (vaak grote, centrale bedrijven in hoogtechnologische sectoren) blijkt een kosteneffectieve strategie te zijn voor het maximaliseren van de netwerkbrede innovatiediffusie.

Betekenis en Claims
Het artikel claimt dat het SCHSAR-raamwerk een flexibele en robuuste benadering biedt voor het trekken van geloofwaardige conclusies over peer-effecten in situaties waar zowel individuele heterogeniteit als netwerkendogeniteit aanwezig zijn.

Simulatiebewijs: Monte Carlo-experimenten demonstreren dat de voorgestelde Bayesiaanse schatters computationeel hanteerbaar zijn en bijna onbevooroordeelde schattingen opleveren met nominale dekking, terwijl naïeve benaderingen (die endogeniteit of homogeniteit negeren) ernstige bias en onbetrouwbare inferentie produceren.
Beleidsontwerp: Door het onderscheid tussen heterogene reacties en netwerkposities, biedt het model waardevolle inzichten voor evidence-based beleid. Het suggereert dat uniforme beleidsmaatregelen inefficiënt kunnen zijn en dat gerichte interventies (bijv. focussen op "transmitters" versus "absorbers") de innovatiediffusie onder budgettaire beperkingen kunnen optimaliseren.
Methodologische Vooruitgang: Het artikel positioneert zich als een noodzakelijke evolutie in econometrische modellering, waarbij de stap wordt gezet van de aanname van exogene netwerken en homogene agenten naar een betere weergave van de complexe realiteit van economische en sociale interacties.