稿件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.正文
关于下方文字内容，作者：王雨舟，美国威斯康星大学麦迪逊分校计量经济学，通信邮箱：wang2555@wisc.edu
Yann Bramoullé, Habiba Djebbari,and Bernard Fortin, Peer Effects in Networks: A Survey，Annual Review of EconomicsWe survey the recent, fast-growing literature on peer effects in networks. An important recurring theme is that the causal identification of peer effects depends on the structure of the network itself. In the absence of correlated effects, the reflection problem is generally solved by network interactions even in nonlinear, heterogeneous models. By contrast, microfoundations are generally not identified. We discuss and assess the various approaches developed by economists to account for correlated effects and network endogeneity in particular. We classify these approaches in four broad categories: random peers, random shocks, structural endogeneity, and panel data. We review an emerging literature relaxing the assumption that the network is perfectly known. Throughout, we provide a critical reading of the existing literature and identify important gaps and directions for future research.
人类是社会性动物，会在各方面受到他人的影响。本文Bramoullé et al. (2020) 对迄今为止同伴效应（Peer Effect）相关的研究成果进行总结和严格评估，并提出未来的研究方向。首先，作者引入了全篇的基础模型，也就是Bramoullé et al. (2009)中从人际关系（network）出发采用的均值线性模型（linear-in-means model）。文中论述了在解决相关效应问题的基础上，若同伴关系不可传递（也就是同伴的同伴并非同伴）那么内生的同伴效应可以有效估计。如下图所示，在均值线性模型中，个体的结果(yi)取决于个体特性（xi）、同伴结果(yj)和同伴的特性(xj)。模型一是基础的回归方程式，模型二在模型一的基础上加入了社区固定效应（community fix effect）。OLS回归中严格的外生性假设要求人际关系（di）以及个体和同伴的特性都是外生的，简而言之就是要解决相关效应问题。假设不存在相关效应问题，回归结果的有效性仍需考虑以下5方面：策略的广泛有效性
群组和规模效应
在均值线性模型中，同伴的特性这一变量以均值的形式存在，多以群组中其他所有人进行加权（exclusive averaging ）。当群组规模足够大使得群内差异足够大的时候，以上两个模型可以被有效定义。基于对误差项进行假设来定义模型
模型一的简化方程（reduced form）中，误差项中是内生同伴效应。在给定特性变量x与人际关系G的情况下，假设个体之间的不相关则模型中的同伴效应可以有效估计。然而Moffit（2001）认为这种假设很强，实际难以满足，除非在实验中进行随机分组。Bramoullé et al. (2009) 则提出了人际关系结构作为解决方案的可能性。朋友的朋友的表现并不直接依赖于内在同伴效应，而是与不可观测的因素相关。刀刃识别失败Knife-Edge Identification Failure
Angrist (2014) 对同伴效应相关的各种计量经济学方法和实证研究提出了的尖锐批评，例如他指出δ + γ β 可能等于零，违反了Bramoullé文章中的假设。尽管如此，本文作者认为在γ 和 δ 同号情况下，不存在Angrist（2014）的担忧，且Angrist并未否认前文提到的人际关系结构在同伴效应识别中的作用。机制和微观基础
对同伴影响的有效估算仅构成社会交往分析的第一步。同伴效应由许多不同因素产生，包括互补性，顺应性，社会地位，社会学习和非正式风险分担等。环境性和内生性的同伴效应之间的区别虽然很多，但他们的区别通常过于粗略而无法准确判定。不同的机制对福利有不同的影响，并可能进一步产生复杂的相互作用。对研究人员而言，在确定同伴影响确切原因这一问题上取得进展是重要的下一步。此外，作为模型的微观基础，自然的想法是将个体结果yi视为他人的结果yi的函数，作为非合作博弈的最佳反应。而最佳反应方程难以定义，一个最佳反应可能对应多种偏好。这对个体行为或许没有影响，但会严重影响博弈的外部性模式、福利特性，也可能使得反事实预测变得不准确。为了有效识别同伴效应，如何处理相关效应成为了研究者所面临的核心问题。本文作者总结了多种识别策略，并讨论了如何将它们与“通过人际关系结构判定环境性和内生同伴效应”相结合。随机同伴（Random Peers）
许多研究者利用同伴的自然随机选择来确保自变量的外生性，比如利用班级的随机分配保证被研究个体的同伴是随机的。遗漏变量问题（Random Peers and Omitted Variables）
在同伴随机配对情况下，遗漏变量问题仍是研究者需要谨慎注意的。例如在个体成绩下降和与吸烟同伴随机配对的相关性研究中，吸烟与饮酒的互补性使得同伴可能会较少饮酒，而饮酒习惯就是模型中的遗漏变量，因为我们无法确定同伴的饮酒习惯是否与个体成绩下滑有关。在没有其他外源变化的情况下，研究者须根据环境确定可能的混杂因素并控制相关变量。随机的人际网识别（Identification with Random Network Peers）
前文提到在人际网络交互作用下，随机的同伴人际网确实允许研究人员识别内生的同伴效应。例如个体的非直接同伴（同伴的同伴）中吸烟者的比例与个体的不可观测特性无关。这一比例仅通过其对同伴结果的影响而与个体结果构成间接联系，因此可以在回归中作为同伴结果变量的工具变量。可观测数据（Observational Data）
现有研究中，许多都依靠准随机同伴来解决相关效应的问题。内生同伴效应是在人际网络交互作用下确定的，环境性同伴效应的估计值可能无法确定实际的因果影响。例如，在教育背景下的假设是，在学校固定效应下，群组特征例如学生性别的比例要等同于随机。确实许多关于性别比例对教育影响的研究都依赖这种策略，但是遗漏变量问题使得研究者无法有效确定二者间的因果关系。Random Shocks
当同伴不是随机的时，研究人员尝试使用其他外生来源来识别同伴效应。这将同伴效应的分析与有关随机干预的大量文献联系起来。De Giorgi et al.（2020）基于丹麦家庭的行政数据研究了同伴的消费影响。他们根据税收记录和资产测算家庭消费量度，并以同事人际关系网络作为研究对象。他们假设一个人受到在同一工厂工作，具备类似教育和职业背景的人的影响。该研究框架的重要特征是，消费由配偶共享并可以以家庭为单位定义，而工作关系则基于个人。他们考虑了具有两种内生同伴效应的均值线性模型：家庭消费取决于家庭固定效应，丈夫同事、妻子同事的平均消费以及个体和环境同伴效应。为了解决内生性问题，他们利用了不随时间变化的家庭特征和公司层面的冲击。例如，他们同事配偶的同事作为工具变量。将专业性和婚姻联系结合在一起，可以保证同伴效应的不可传递性。只要公司特定变量确实是条件外生的，则此方法有效。作者通过这种策略发现了消费中的内生性正同伴效应。Structural Endogeniety
在没有明确的外生变量的情况下，研究人员探索了三种方法以解决相关性问题。前两者是将人际网络中的对同伴效应与网络形成模型相结合，也就是将人际网络内生性纳入考虑，使研究人员解决影响网络形成估计的内生性问题。第一种方法是在模型中引入不可观测的变量，这个变量在影响个人结果和人际关系形成的情况下与环境性同伴效应无关。在第二种方法认为网络的形成本身取决于结果。第三种方法则是假设不可观测变量与可观测变量线性相关。尽管研究者承认这种假设结构较强，这种分析仍不失为一种有趣的探索。面板数据
面板数据为有效识别提供了可能性，特别是通过引入个体固定效应，研究人员可以控制随时间变化的个体不可观测的特性。然而，使用面板数据的人际网络同伴效应文献非常少，作者认为这可能是由于数据可用性问题，也可能是在面板数据环境下扩展模型一、二的过程中出现了一些挑战，如人际关系本身可能产生内生性，个体结果可能与同伴不随时间变化的不可观测特性有关，同时同伴效应的滞后性也需要考虑。总而言之，可以从以下方面理解基于人际网络结构的识别策略的有效性：非直接同伴，也就是同伴的同伴仅通过其对个体结果的影响而影响个人结果。即使关系网是内生的，若网络不受处理（treatment）影响，也可以在随机处理情况下应用该策略。即使无法确定环境性同伴效应，它也可用于识别随机同伴的内生同伴效应；在某些情况下，它可以进行调整以解决相关效应。但是，当人际网络被错误计量并且孤立的个体存在的情况下，此策略可能无效，研究人员通过结合不同人际网络的信息来解决此问题。关于未来的研究方向，作者认为面板数据方法（Comola＆Prina 2019），测量误差（Chandrasekhar＆Lewis 2016）或结合结构和实验方法（Griffith 2019b）的研究仍然很少，具有探索价值。最具挑战性的问题还是如何准确判断同伴效应背后的机制。人际网交互新理论模型的出现使得该问题取得了一定进展，分析和经验估计将证明确定同伴效应背后原因的关键。虽然未来的研究无疑会开辟新的视角，但网络结构在因果识别中的关键性将长期存在的。关于一些计量方法的合辑，各位学者可以参看如下文章：①“实证研究中用到的200篇文章, 社科学者常备toolkit”、②实证文章写作常用到的50篇名家经验帖, 学者必读系列、③过去10年AER上关于中国主题的Articles专辑、④AEA公布2017-19年度最受关注的十大研究话题, 给你的选题方向，⑤2020年中文Top期刊重点选题方向, 写论文就写这些。后面，咱们又引荐了①使用CFPS, CHFS, CHNS数据实证研究的精选文章专辑！，②这40个微观数据库够你博士毕业了, 反正凭着这些库成了教授，③Python, Stata, R软件史上最全快捷键合辑！，④关于(模糊)断点回归设计的100篇精选Articles专辑！，⑤关于双重差分法DID的32篇精选Articles专辑！，⑥关于合成控制法SCM的33篇精选Articles专辑！⑦最近80篇关于中国国际贸易领域papers合辑！，⑧最近70篇关于中国环境生态的经济学papers合辑！⑨使用CEPS, CHARLS, CGSS, CLHLS数据库实证研究的精选文章专辑！⑩最近50篇使用系统GMM开展实证研究的papers合辑！
关于相关计量方法视频课程，文章，数据和代码，参看 1.面板数据方法免费课程, 文章, 数据和代码全在这里, 优秀学人好好收藏学习！2.双重差分DID方法免费课程, 文章, 数据和代码全在这里, 优秀学人必须收藏学习！3.工具变量IV估计免费课程, 文章, 数据和代码全在这里, 不学习可不要后悔！4.各种匹配方法免费课程, 文章, 数据和代码全在这里, 掌握匹配方法不是梦！5.断点回归RD和合成控制法SCM免费课程, 文章, 数据和代码全在这里, 有必要认真研究学习！6.空间计量免费课程, 文章, 数据和代码全在这里, 空间相关学者注意查收！7.Stata, R和Python视频课程, 文章, 数据和代码全在这里, 真的受用无穷！下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
2.5年，计量经济圈近1000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
