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。
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：摘要直接研究线性均值互动网络中的同伴效应、测量误差偏差及网络结构提供的识别信息。
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
- 线性均值互动模型中的回归量存在测量误差时，为何同伴效应可能被高估，以及网络结构能否在没有额外外部信息时帮助识别？
- 方法与思路
- 作者分析个体特征与网络连接共同决定的渐近偏差，利用网络结构建立识别结果，并据此构造一致的 GMM 与2SLS估计量。
- 材料陈述的贡献
- 摘要称测量误差可能放大同伴效应而产生假阳性，提出不依赖额外外部信息的识别及可实施估计方法，并以模拟展示。
- 阅读关注点
- 应核对测量误差与网络形成的限制、偏差方向如何取决于网络结构，以及内部识别信息和矩条件成立的具体要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列明误差分布、网络条件和模拟数值，不能认为所有网络均能识别。
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.