A Social Interactions Model with Endogenous Friendship Formation and Selectivity
内生友谊形成与选择偏差下的社会互动模型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：摘要明确研究内生友谊网络、邻接矩阵与社会互动，最直接对应网络与干扰方向。
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
内生友谊形成与选择偏差下的社会互动模型
- 研究问题
- 当未观测因素同时影响友谊形成和经济结果时，网络邻接矩阵可能与误差项相关；如何处理社会互动模型中由此产生的内生选择偏差？
- 方法与思路
- 作者将统计网络形成模型与空间自回归模型联合建模，通过两部分的未观测成分关联网络与结果形成过程，并使用贝叶斯方法估计整个系统。
- 材料陈述的贡献
- 摘要提出处理内生网络选择的联合估计框架，并以蒙特卡洛实验和Add Health高中生友谊网络、学业表现数据展示其应用。
- 阅读关注点
- 阅读全文时应核对网络与结果方程的联合分布、潜在成分的相关结构、识别条件和先验设定，以及模拟与实证如何评估选择偏差。
- 阅读边界
- 摘要未说明识别所需限制、先验敏感性、模拟结果数值或实证效应大小；联合建模本身不足以确认同伴影响已获得因果识别。
原文摘要
Summary This paper analyzes the endogeneity bias problem caused by associations of members within a network when the spatial autoregressive (SAR) model is used to study social interactions. When there are unobserved factors that affect both friendship decisions and economic outcomes, the spatial weight matrix (sociomatrix; adjacency matrix) in the SAR model, which represents the structure of a friendship network, might correlate with the disturbance term of the model, and consequently result in an endogenous selection problem in the outcomes. We consider this problem of selection bias with a modeling approach. In this approach, a statistical network model is adopted to explain the endogenous network formation process. By specifying unobserved components in both the network model and the SAR model, we capture the correlation between the processes of network and outcome formation, and propose a proper estimation procedure for the system. We demonstrate that the estimation of this system can be effectively done by using the Bayesian method. We provide a Monte Carlo experiment and an empirical application of this modeling approach on the friendship networks of high school students and their interactions on academic performance in the Add Health data. Copyright © 2015 John Wiley & Sons, Ltd.