Testing for peer effects without specifying the network structure
无需指定网络结构的同伴效应检验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：摘要明确研究面板社会互动中的关系特定同伴效应，并避免预先指定网络结构。
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
无需指定网络结构的同伴效应检验
- 研究问题
- 在面板社会互动模型中，如果不预先指定谁与谁相连，能否检验同伴效应是否存在，并处理随样本增长的工具变量数量？
- 方法与思路
- 作者为所有潜在同伴设置关系特定系数，以 Anderson–Rubin 检验联合检验其为零，并将多工具变量渐近理论扩展到面板。
- 材料陈述的贡献
- 摘要称，建立检验的渐近有效性；模拟显示相较部分网络设定错误的既有检验更稳健、表现更好，并给出两个应用。
- 阅读关注点
- 核对工具变量的构造与外生性、工具数量和样本规模的相对增长，以及面板误差依赖和备择假设下检验功效的要求。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，不能判断完整识别限制、工具有效性或应用细节；无需指定网络不代表无需模型假设，不推断刊本变化。
原文摘要
This paper proposes an Anderson–Rubin (AR) test for the presence of peer effects in panel data without the need to specify the network structure. The unrestricted model of our test is a linear panel data model of social interactions with dyad-specific peer effect coefficients for all potential peers. The proposed AR test evaluates if these peer effect coefficients are all zero. As the number of peer effect coefficients increases with the sample size, so does the number of instrumental variables (IVs) employed to test the restrictions under the null, rendering a many-IV environment of Bekker (1994). By extending existing many-IV asymptotic results to panel data, we establish the asymptotic validity of the proposed AR test. Our Monte Carlo simulations show the robustness and improved performance of the proposed test compared to some existing tests with misspecified networks. We provide two applications to demonstrate its empirical relevance.