Measurement error and peer effects in networks
网络中的测量误差与同伴效应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。
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：摘要以线性均值模型中的同伴效应、网络连接与识别为核心，直接对应网络与干扰方向，并涉及因果识别与估计量构造。
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
网络中的测量误差与同伴效应
- 研究问题
- 摘要称，在只有真实回归变量的噪声代理时，线性均值模型中的同伴效应估计可能被高估而非衰减，本文研究这种渐近偏误的来源与识别问题。
- 方法与思路
- 作者提出，渐近偏误取决于个体特征与网络连接的交互，并说明网络结构本身可促成识别，无需额外外部信息；据此给出易于实施的相合 GMM 与 2SLS 估计量，并用蒙特卡洛模拟展示结果。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：刻画线性均值模型中测量误差导致的同伴效应偏误方向与结构，证明网络结构可用于识别，并提出相合的 GMM 和 2SLS 估计量。
- 阅读关注点
- 阅读全文时应核对：偏误方向结论所依赖的假设、网络结构实现识别的具体条件、GMM 与 2SLS 的矩条件与可实施性，以及蒙特卡洛设计是否覆盖摘要所述情形。
- 阅读边界
- 仅凭摘要无法判断识别假设的一般性、估计量的有限样本表现与实证适用性；摘要未说明具体数据、正式定理条件与模拟数值结果。来源为 OpenAlex 记录，未标明同行评审状态。
原文摘要
In many practical applications, only noisy proxies for the true regressors are available, which is commonly believed to induce an attenuation bias. In the linear-in-means model, however, estimated peer effects might be inflated, potentially leading to false positives. This paper shows that the asymptotic bias depends on the interplay between individual characteristics and network links and demonstrates how the network structure can facilitate identification without the need for additional external information. Based on these identification results, we present consistent GMM and 2SLS estimators that are easily implementable. Our results are illustrated by means of a Monte Carlo simulation.