📈 economics

Heterogeneous Peer Effects with Endogenous Network Formation

本文提出了一种新颖的贝叶斯选择修正异质性空间自回归（SCHSAR）框架，该框架对内生网络形成和异质性同伴效应进行联合建模，揭示了同伴互动对美国企业研发投入显著但各异的影响，旨在为针对性的政策设计提供参考。

原作者： Duong Trinh, Santiago Montoya-Blandón

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Duong Trinh, Santiago Montoya-Blandón

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图弄清楚为什么有些学生成绩更好。你可能会猜是因为他们的朋友学习很刻苦。但这里有一个棘手的问题：是朋友让他们变得更聪明，还是他们只是选择了原本就很聪明的作为朋友？

这就是经济学中“同伴效应”（peer effects）的核心谜题。长期以来，经济学家一直难以同时解决两个大问题：

“谁是谁”的问题： 人们对朋友的反应各不相同。有些人很容易受影响（像海绵一样），而另一些人则很固执，我行我素（像石头一样）。旧的模型假设所有人要么都是海绵，要么都是石头，但这并不符合事实。
“鸡生蛋还是蛋生鸡”的问题： 人们根据隐藏的特质（如性格或抱负）来选择朋友，而这些特质同样会影响他们的成功。如果你不考虑这一点，你的数学计算就会出错。

这篇论文介绍了一个名为 SCHSAR（选择修正的异质空间自回归模型）的新工具，旨在同时解决这两个问题。以下是它的工作原理，我们使用简单的类比来说明：

1. “神奇的分组”（异质性）

想象一个教室，老师假设所有人的学习方式都一样。老师说：“如果全班平均分提高了，每个人的成绩也会提高 10%。”

但在现实中，班级里混合了海绵型学生（吸收班级的能量）和石头型学生（无论班级如何，自己都保持不变）。

旧的模型将所有人视为“中等程度的海绵”。
这篇新论文说：“让我们使用一个神奇的透镜，在事先不知道谁属于哪个组的情况下，秘密地将学生分为海绵组和石头组。”
研究发现，在他们的研究中，大约有 34% 的公司是“海绵”（受同伴影响很大），而 66% 是“石头”（主要受自身成本的影响）。

2. “隐藏的磁铁”（内生网络形成）

现在，想象这些学生正在选择坐在谁旁边。

“海绵型”学生可能因为天生爱聊天，而秘密地倾向于坐在其他“海绵型”学生旁边。
“石头型”学生可能因为喜欢安静，而倾向于坐在其他“学生”旁边。
陷阱： 如果你只看成绩，你可能会认为是朋友“导致”了成绩。但实际上，隐藏的“爱聊天”或“安静”特质（这个隐藏的磁铁）导致了他们坐在一起，同时也决定了他们的成绩。
论文的模型就像一台X光机。它同时观察交友选择和成绩，从而弄清楚那个隐藏的磁铁。它修正了数学模型，这样我们就不会把原本属于学生自身隐藏性格带来的结果，错误地归因于朋友的影响。

3. “侦探的工具箱”（贝叶斯估计）

解决这个数学谜题极其困难，因为存在许多隐藏变量（谁是海绵？谁是石头？隐藏的磁铁是什么？）。

作者并没有尝试用一个巨大的、不可能解出的方程来解决它，而是使用了贝叶斯侦探法。
这就像是在玩成千上万次的“猜猜他是谁”游戏。计算机对谁属于哪个组做出一个猜测，检查该猜测是否符合数据，然后做出一个更好的猜测，并不断重复这个过程数百万次。
最终，这些猜测会稳定成一幅清晰的现实图景。这使得他们能够断言：“我们有 95% 的把握确定 A 组受同伴影响，而 B 组则不受影响。”

现实世界测试：美国公司与研发（R&D）

作者利用这个工具对 1,150 家从事技术和专利交易的美国公司进行了测试。他们想看看政府对研发（R&D）的税收减免政策实际上是如何运作的。

他们的发现是：

“同伴驱动型”群体（海绵）： 大约 34% 的公司深受其合作伙伴行为的影响。如果合作伙伴增加研发投入，这些公司也会随之跟进。然而，它们对自身的税收减免不太敏感。它们是“跟随者”。
“自我驱动型”群体（石头）： 另外 66% 的公司主要受自身成本和税收减免的影响。它们不太在意合作伙伴在做什么。
“隐藏的磁铁”： 天生擅长建立联系（高“社会资本”）的公司，往往既是形成网络的中心，也是进行研发投资的主体。如果你忽略这一点，你就会高估同伴之间的相互影响。

为什么这很重要（对政策制定的意义）

论文表明，“一刀切”的政策是行不通的。

如果政府希望通过提供税收减免来促进创新，他们应该针对**“自我驱动型”**公司，因为这些公司会对资金做出直接反应。
然而，如果政府想要通过网络传播一种新想法，他们应该针对**“同伴驱动型”公司（或网络中的中心枢纽）。这些公司充当了放大器**；只要给它们一点推动，它们就会把这种影响传递给所有人。

简而言之： 这篇论文为经济学家提供了一种更好的方法，将“影响”与“选择”区分开来。它证明了人们（和公司）并非完全相同，并且会出于隐藏的原因选择朋友。通过修正数学模型以考虑这些因素，我们可以设计出真正有效的更好政策。

技术摘要：具有内生网络形成的异质性同伴效应

问题陈述
本文探讨了在建模社会与经济交互作用时两个持久的方法论挑战：异质性同伴效应（heterogeneous peer effects）与内生网络形成（endogenous network formation）。现有文献通常假设同伴效应在所有主体间是统一的，或者假设网络结构是外生的。然而在现实中，不同主体对同伴的影响反应各异（有些是放大效应，有些是吸收效应），且链接的形成往往是基于影响结果的未观测特征进行的策略性决策。未能考虑这些因素会导致严重的自选择偏差（selection bias）以及错误的推断，从而导致对同伴效应量级和方向的错误判断。作者指出，虽然加权网络可以捕捉交互强度，但它们无法解释主体如何将同伴行为转化为自身决策的差异。此外，标准的空间自回归（SAR）模型通常将空间权重矩阵视为固定的，忽略了由驱动链接形成和结果的未观测个体特征所导致的内生性。

方法论：SCHSAR 框架
作者提出了一个统一的计量经济学框架，称为选择修正的异质性空间自回归（Selection-corrected Heterogeneous Spatial Autoregressive, SCHSAR）模型。该方法通过两个阶段对网络形成和结果确定进行联合建模：

结果方程（异质性）： 该模型通过引入有限混合结构扩展了标准的 SAR 规范。个体被分配到 $G$ 个潜在类型中的一种，每种类型由一组不同的参数（ $\lambda_g, \beta_g, \delta_g, \sigma^2_{ug}$ ）控制。这允许同伴效应（ $\lambda_g$ ）和其他系数在未观测的聚类之间发生变化，捕捉到了丰富的异质性，即某些主体可能表现出正向、负向或零反应。
网络形成方程（内生性）： 邻接矩阵 $W$ 被建模为策略性决策过程的实现。一个潜在效用函数决定了是否存在链接 $w_{ij}$ ，该函数受观测到的二元特征（如同质性）和未观测的个体特定因素（ $a_i$ ）驱动。函数 $f(a_i, a_j)$ 捕捉了未观测到的度异质性（加性效应）或未观测的同质性（距离效应）。
联合建模与修正： 核心创新在于将相同的未观测因素 $a_i$ 同时纳入网络形成方程和结果方程中。通过显式地将 $a_i$ 建模为既影响链接形成概率又影响个体结果的潜在变量，该框架修正了当 $W$ 具有内生性时产生的选择偏差（遗漏变量偏差）。

估计策略
鉴于极大似然估计需要高维积分（由于存在潜在变量 $w^*, z$ 和 $a$ ），作者开发了一种基于全贝叶斯数据增强方法的马尔可夫链蒙特卡洛（MCMC）算法。

数据增强： 算法从联合后验分布中对潜在变量（个体随机效应 $a$ 、潜在类型指示变量 $z$ 以及潜在链接效用 $w^*$ ）以及模型参数进行采样。
采样方案： 由于共轭先验的存在，该程序对大多数参数使用 Gibbs 采样。对于不具备标准后验形式的同伴效应参数 $\lambda_g$ ，则采用带有自适应缩放 Metropolis（ASM）的 Metropolis-within-Gibbs 步骤。
灵活性： 该框架既适用于二元网络（Probit 链接），也适用于加权网络（Tobit 规范），并允许对未观测异质性（度异质性 vs 同质性）进行不同的设定。

主要贡献

统一框架： 本文架起了异质性空间模型与网络形成计量经济学之间的桥梁。它将现有模型（例如 Goldsmith-Pinkham and Imbens 2013; Cornwall and Parent 2017）作为特例（例如当 $G=1$ 或网络是外生的时候）嵌套其中，同时放宽了它们的限制性假设。
无需工具变量解决内生性问题： 与传统的工具变量法不同，SCHSAR 模型通过直接对偏差的结构性来源（未观测异质性）进行建模来修正网络内生性，从而避免了对通常较弱或难以获取的外部工具变量的需求。
数据驱动的异质性： 该模型并非依赖预定义的观测组（如性别、行业）来定义异质性，而是使用有限混合方法根据数据识别潜在类型，从而实现更灵活且可能更准确的主体分组。

实证结果
作者将 SCHSAR 模型应用于包含 1,150 家参与技术协作网络（1980–2014 年）的美国企业数据集，分析了企业的研发（R&D）投入。

网络形成： 结果证实了基于行业（SIC）和技术类别在链接形成中的显著同质性。未观测到的度异质性也是驱动网络结构的关键因素。
同伴效应： 在修正了选择偏差后，模型揭示了研发领域显著的正向但异质性的同伴效应。
潜在类型： 数据支持一个两类混合模型：
- 同伴驱动型企业（约 34%）： 表现出较大的网络效应（ $\lambda \approx 0.215$ ）但较弱的自身价格弹性（ $\approx -2.2$ ）。这些企业对同伴的研发活动反应更大，而对自身的税收成本敏感度较低。
- 自我驱动型企业（约 66%）： 表现出较小的网络效应（ $\lambda \approx 0.127$ ）但较强的自身价格弹性（ $\approx -9.5$ ）。这些企业对自身的成本结构更为敏感，受同伴影响较小。
政策启示： 该框架允许量化企业层面的直接效应、溢入效应（接收）和溢出效应（传输）。分析识别了不同的角色： “响应型吸收者”（高溢入，同伴驱动型）和“影响力传输者”（高溢出，自我驱动型且处于中心地位）。研究表明，针对具有高总溢出效应的企业（通常是高科技领域的大型中心企业）进行干预，是最大化全网络创新扩散的成本效益最高的策略。

意义与主张
本文声称，SCHSAR 框架提供了一种灵活且稳健的方法，用于在同时存在个体异质性和网络内生性的环境下，对同伴效应得出可靠的结论。

模拟证据： 蒙特卡洛实验证明，所提出的贝叶斯估计量在计算上是可行的，并且能产生接近无偏且具有名义覆盖率的估计值；相比之下，忽视内生性或同质性的朴素方法会产生严重的偏差和不可靠的推断。
政策设计： 通过解构异质性反应与网络位置，该模型为循证政策提供了有价值的见解。它表明，统一的政策可能是低效的，而针对性的干预（例如区分对待“传输者”与“吸收者”）可以在预算约束下优化创新扩散。
方法论演进： 本文将自己定位为计量经济学建模的一次必要进化，旨在超越外生网络和同质性主体的假设，从而更好地反映经济与社会交互作用的复杂现实。