Weak Identification in Peer Effects Estimation
同伴效应估计中的弱识别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：摘要直接研究网络邻域特征、同伴效应及网络增长导致的估计问题。
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
同伴效应估计中的弱识别
- 研究问题
- 在线性邻域均值模型中，网络结构保证参数可识别，是否足以让单个不断扩大的网络提供可靠的同伴效应估计？
- 方法与思路
- 作者考察协变量独立同分布、平均节点度随人口增长的渐近情形，分析邻域平均诱发的共线性，并比较邻域总和模型。
- 材料陈述的贡献
- 摘要称，邻域均值模型的标准估计可能有偏或收敛缓慢；具有非平凡节点度变异的邻域总和模型可避免所述问题。
- 阅读关注点
- 应核对网络增长方式、估计量及偏差的具体定义，辨明均值与总和模型是否对应不同的效应尺度和行为机制。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未列出完整网络条件，结论不能直接推广到相关协变量或所有网络。
原文摘要
It is commonly accepted that some phenomena are social: for example, individuals' smoking habits often correlate with those of their peers. Such correlations can have a variety of explanations, such as direct contagion or shared socioeconomic circumstances. The network linear-in-means model is a workhorse statistical model which incorporates these peer effects by including average neighborhood characteristics as regressors. Although the model's parameters are identifiable under mild structural conditions on the network, it remains unclear whether identification ensures reliable estimation in the "infill" asymptotic setting, where a single network grows in size. We show that when covariates are i.i.d. and the average network degree of nodes increases with the population size, standard estimators suffer from bias or slow convergence rates due to asymptotic collinearity induced by network averaging. As an alternative, we demonstrate that linear-in-sums models, which are based on aggregate rather than average neighborhood characteristics, do not exhibit such issues as long as the network degrees have some nontrivial variation, a condition satisfied by most network models.