Estimating Peer Effects Using Partial Network Data
利用部分网络数据估计同伴效应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：摘要明确围绕部分社会网络数据与线性均值模型中的同伴效应估计展开。
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…
利用部分网络数据估计同伴效应
- 研究问题
- 当研究者只观察到抽样、删失或连边误分类后的部分网络时，能否仍然估计社会网络中的线性均值同伴效应？
- 方法与思路
- 作者假设研究者能够一致估计网络分布，并据此研究不完整网络下线性均值模型的同伴效应估计，随后开展学生成绩应用。
- 材料陈述的贡献
- 摘要称一致估计网络分布足以支持同伴效应估计；在 Add Health 应用中，作者报告网络数据错误造成较大的向下偏误。
- 阅读关注点
- 应核对网络分布如何获得一致估计、不同缺失或误分类机制如何处理，以及实证中向下偏误结论的比较基准与不确定性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未展开其他模型条件，应用中的偏误方向不能视为普遍规律。
原文摘要
We study the estimation of peer effects through social networks when researchers do not observe the entire network structure. Special cases include sampled networks, censored networks, and misclassified links. We assume that researchers can obtain a consistent estimator of the distribution of the network. We show that this assumption is sufficient for estimating peer effects using a linear-in-means model. We provide an empirical application to the study of peer effects on students' academic achievement using the widely used Add Health database, and show that network data errors have a large downward bias on estimated peer effects.