Peer effect analysis with latent processes
利用潜在过程分析同伴效应AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究网络中的同伴效应、因果方向识别及不同来源效应的分离。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用潜在过程分析同伴效应
- 研究问题
- 当个体作出不可逆决定、缺少通常的社会均衡时，如何识别同伴影响的因果方向，并区分不同来源和异质性的同伴效应？
- 方法与思路
- 作者用连续时间潜在决策序列建模，推导闭式似然，分别研究多个网络和单一大网络中的因果目标量识别与估计。
- 材料陈述的贡献
- 摘要称方法可识别实际因果方向的概率，并在较强数据要求下分离内生、情境与相关效应，同时容纳充分异质性。
- 阅读关注点
- 核对潜在决策时序的可识别依据、两类网络情形的数据要求，以及异质性参数化和极大似然标准推断成立的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实。摘要明确提示数据要求较强，但未列出具体内容，不能假定普通网络截面即可识别。
原文摘要
I study peer effects that arise from irreversible decisions in the absence of a standard social equilibrium. I model a latent sequence of decisions in continuous time and obtain a closed-form expression for the likelihood, which allows to estimate proposed causal estimands. The method avoids linear-in-means regression by modeling the (possibly unobserved) realized direction of causality, whose probability is identified. I provide identification and estimation results under two settings, several networks and one large network, while allowing for various forms of peer effect heterogeneity. Under (strong) data requirements, it is possible to separate endogenous, contextual, and correlated effects while allowing for full heterogeneity and maximum likelihood methods where parameters lend themselves to standard inference.