Heterogeneous Peer Effects with Endogenous Network Formation

Resumo Técnico: Efeitos de Pares Heterogêneos com Formação de Rede Endógena

Definição do Problema
O artigo aborda dois desafios metodológicos persistentes na modelagem de interações sociais e econômicas: efeitos de pares heterogêneos e formação de rede endógena. A literatura existente frequentemente assume que os efeitos de pares são uniformes para todos os agentes ou que a estrutura da rede é dada exogenamente. No entanto, na realidade, os agentes diferem em como respondem aos pares (alguns amplificam, outros absorvem transbordamentos/spillovers), e os vínculos são frequentemente formados estrategicamente com base em traços não observados que também influenciam os resultados. Não contabilizar esses fatores leva a um severo viés de seleção e inferências incorretas sobre a magnitude e a direção dos efeitos de pares. Os autores observam que, embora redes ponderadas possam capturar a intensidade da interação, elas não podem explicar a variação na forma como os agentes traduzem o comportamento dos pares em suas próprias decisões. Além disso, os modelos padrão de autorregressão espacial (SAR) tipicamente tratam a matriz de pesos espaciais como fixa, ignorando a endogeneidade decorrente de características individuais não observadas que impulsionam tanto a formação de vínculos quanto os resultados.

Metodologia: A Estrutura SCHSAR
Os autores propõem uma estrutura econométrica unificada chamada modelo Selection-corrected Heterogeneous Spatial Autoregressive (SCHSAR) (Autorregressivo Espacial Heterogêneo Corrigido por Seleção). Esta abordagem modela conjuntamente a formação de redes e a determinação de resultados através de dois estágios:

1. Equação de Resultado (Heterogeneidade): O modelo estende a especificação SAR padrão incorporando uma estrutura de mistura finita. Os indivíduos são atribuídos a um de $G$ tipos latentes, cada um governado por um conjunto distinto de parâmetros ($\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$). Isso permite que os efeitos de pares ($\lambda_g$) e outros coeficientes variem entre clusters não observados, capturando uma rica heterogeneidade onde alguns agentes podem ter respostas de pares positivas, negativas ou nulas.
2. Equação de Formação de Rede (Endogeneidade): A matriz de adjacência $W$ é modelada como a realização de um processo de tomada de decisão estratégica. Uma função de utilidade latente determina se um vínculo $w_{ij}$ existe, impulsionado por características diádicas observadas (ex: homofilia) e fatores individuais não observados ($a_i$). A função $f(a_i, a_j)$ captura tanto a heterogeneidade de grau não observada (efeitos aditivos) quanto a homofilia não observada (efeitos de distância).
3. Modelagem Conjunta e Correção: A inovação central é a inclusão do mesmo fator não observado $a_i$ tanto na equação de formação de rede quanto na equação de resultado. Ao modelar explicitamente $a_i$ como uma variável latente que influencia tanto a probabilidade de formar um vínculo quanto o resultado individual, a estrutura corrige o viés de seleção (viés de variável omitida) que surge quando $W$ é endógena.

Estratégia de Estimação
Dada a integração de alta dimensão necessária para a estimação de máxima verossimilhança (devido às variáveis latentes $w^*$, $z$ e $a$), os autores desenvolvem uma abordagem de aumento de dados totalmente Bayesiana utilizando Markov Chain Monte Carlo (MCMC).

• Aumento de Dados (Data Augmentation): O algoritmo amostra variáveis latentes (efeitos aleatórios individuais $a$, indicadores de tipo latente $z$ e utilidades de vínculo latentes $w^*$) juntamente com os parâmetros do modelo a partir da distribuição posterior conjunta.
• Esquema de Amostragem: O procedimento utiliza amostragem de Gibbs para a maioria dos parâmetros devido aos seus priors conjugados. Para os parâmetros de efeito de pares $\lambda_g$, que não possuem uma forma posterior padrão, é empregado um passo de Metropolis-within-Gibbs com Escalonamento Adaptativo de Metropolis (ASM).
• Flexibilidade: A estrutura acomoda tanto redes binárias (link probit) quanto redes ponderadas (especificação Tobit) e permite diferentes especificações de heterogeneidade não observada (heterogeneidade de grau vs. homofilia).

Principais Contribuições

1. Estrutura Unificada: O artigo une a literatura de modelos espaciais heterogêneos e econometria de formação de redes. Ele abriga modelos existentes (ex: Goldsmith-Pinkam e Imbens 2013; Cornwall e Parent 2017) como casos especiais (ex: quando $G=1$ ou quando a rede é exógena), enquanto relaxa suas suposições restritivas.
2. Tratamento da Endogeneidade sem Instrumentos: Diferente das abordagens tradicionais de variáveis instrumentais, o modelo SCHSAR corrige a endogeneidade da rede ao modelar diretamente a fonte estrutural do viés (heterogeneidade não observada), evitando a necessidade de instrumentos externos que são frequentemente fracos ou indisponíveis.
3. Heterogeneidade Orientada pelos Dados: Em vez de depender de grupos observáveis pré-definidos (ex: gênero, indústria) para definir a heterogeneidade, o modelo utiliza uma abordagem de mistura finita para identificar tipos latentes com base nos dados, permitindo um agrupamento de agentes mais flexível e potencialmente mais preciso.

Resultados Empíricos
Os autores aplicam o modelo SCHSAR a um conjunto de dados de 1.150 empresas dos EUA envolvidas em uma rede de colaboração tecnológica (1980–2014), analisando investimentos corporativos em P&D.

• Formação de Rede: Os resultados confirmam uma homofilia significativa na formação de vínculos com base na indústria (SIC) e classe tecnológica. A heterogeneidade de grau não observada também é um motor fundamental da estrutura da rede.
• Efeitos de Pares: Após corrigir o viés de seleção, o modelo revela efeitos de pares positivos, porém heterogêneos, sobre o P&D.
• Tipos Latentes: Os dados sustentam uma mistura de dois tipos:
  • Empresas movidas por pares (~34%): Exibem um efeito de rede maior ($\lambda \approx 0,215$), mas uma elasticidade de preço própria mais fraca ($\approx -2,2$). Essas empresas são mais responsivas ao P&D de seus pares e menos sensíveis aos seus próprios custos fiscais.
  • Empresas movidas por si mesmas (~66%): Exibem um efeito de rede menor ($\lambda \approx 0,127$), mas uma elasticidade de preço própria mais forte ($\approx -9,5$). Essas empresas são mais sensíveis às suas próprias estruturas de custos e menos influenciadas pelos pares.
• Implicações de Política: A estrutura permite quantificar efeitos diretos, de transbordamento recebido (spillin) e de transbordamento transmitido (spillout) em nível de empresa. A análise identifica papéis distintos: "absorvedores responsivos" (alto spillin, movidos por pares) e "transmissores influentes" (alto spillout, movidos por si mesmos, mas centrais). Demonstra-se que focar em empresas com altos efeitos totais de spillout (frequentemente grandes empresas centrais em setores de alta tecnologia) é uma estratégia de custo-benefício para maximizar a difusão da inovação em toda a rede.

Significância e Alegações
O artigo afirma que a estrutura SCHSAR fornece uma abordagem flexível e robusta para extrair conclusções credíveis sobre efeitos de pares em contextos onde tanto a heterogeneidade individual quanto a endogeneidade da rede estão presentes.

• Evidência de Simulação: Experimentos de Monte Carlo demonstram que os estimadores Bayesianos propostos são computacionalmente tratáveis e produzem estimativas quase isentas de viés com cobertura nominal, enquanto abordagens ingênuas (ignorando endogeneidade ou homogeneidade) produzem viés severo e inferência não confiável.
• Design de Políticas: Ao desmembrar as respostas heterogêneas e as posições na rede, o modelo oferece insights valiosos para políticas baseadas em evidências. Sugere que políticas uniformes podem ser ineficientes e que intervenções direcionadas (ex: focar em "transmissores" vs. "absorvedores") podem otimizar a difusão da inovação sob restrições orçamentárias.
• Avanço Metodológico: O artigo posiciona-se como uma evolução necessária na modelagem econométrica, indo além da suposição de redes exógenas e agentes homogêneos para refletir melhor as complexas realidades das interações econômicas e sociais.