Identification and Efficient Estimation of Simultaneous Equations Network Models
联立方程网络模型的识别与有效估计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：摘要直接研究社会网络互动及联立方程模型的识别和估计，因此最明确对应网络与干扰、结构估计方向。
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
联立方程网络模型的识别与有效估计
- 研究问题
- 社会邻接矩阵是否按行标准化，会如何改变网络模型的均衡含义、识别条件与估计策略；网络较多时又如何处理多工具变量导致的偏误？
- 方法与思路
- 作者区分邻接矩阵是否按行标准化；在未标准化模型中利用节点间 Bonacich 中心性差异构造工具变量，并提出多工具变量偏误校正程序。
- 材料陈述的贡献
- 摘要称，未按行标准化网络中的中心性差异可识别社会互动效应并提高估计效率；偏误校正估计量在模拟中表现良好，并提供经验示例。
- 阅读关注点
- 核对两种标准化设定的均衡解释与识别条件、中心性工具的有效性依据，以及网络数量增长下的渐近设定和偏误校正适用范围。
- 阅读边界
- 摘要未列明识别条件、工具外生性依据或实证数据来源；中心性作为工具变量并非自动有效，模拟中的良好表现也不能替代具体应用的识别论证。
原文摘要
This article considers identification and estimation of social network models in a system of simultaneous equations. We show that, with or without row-normalization of the social adjacency matrix, the network model has different equilibrium implications, needs different identification conditions, and requires different estimation strategies. When the adjacency matrix is not row-normalized, the variation in the Bonacich centrality across nodes in a network can be used as an IV to identify social interaction effects and improve estimation efficiency. The number of such IVs depends on the number of networks. When there are many networks in the data, the proposed estimators may have an asymptotic bias due to the presence of many IVs. We propose a bias-correction procedure for the many-instrument bias. Simulation experiments show that the bias-corrected estimators perform well in finite samples. We also provide an empirical example to illustrate the proposed estimation procedure.