Causal inference for social network formation
社会网络形成的因果推断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：摘要同时研究内生社会网络形成和随机初始联系带来的因果识别，直接对应因果推断与网络方向。
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…
社会网络形成的因果推断
- 研究问题
- 存在未观测混杂、反向因果及网络均衡问题时，如何识别间接联系、节点度数和局部密度对后续关系形成的因果影响？
- 方法与思路
- 作者结合网络重复观测与初始联系的随机变异，采用将节点和潜在结果视为固定的设计型推断，并分析企业随机项目分组数据。
- 材料陈述的贡献
- 摘要称建立内生网络形成的识别、估计与推断框架；企业应用中，间接联系效应显著为正，度数与密度效应较小且较不稳健。
- 阅读关注点
- 应核对初始联系随机变异如何映射为网络特征的因果比较，随机分组机制、潜在结果定义，以及重复观测下的推断构造。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体识别条件、随机化推断步骤及单一企业结果的外推边界未说明。
原文摘要
This paper develops a framework for identification, estimation, and inference on the causal mechanisms driving endogenous social network formation. Identification is challenging because of unobserved confounders and reverse causality; inference is complicated by questions of equilibrium and sampling. We leverage repeated observations of a network over time and random variation in initial ties to address challenges to causal identification. Our design-based approach sidesteps questions of sampling and asymptotics by treating both the set of nodes (individuals) and potential outcomes as non-random. We apply our approach to data from a large professional services firm, where new hires are randomly assigned to project teams within offices. We estimate the causal effect on tie formation of indirect ties, network degree, and local network density. Indirect ties have a strong and significant positive effect on tie formation, while the effects of degree and density are smaller and less robust.