Empirical Challenges with Peers-of-Peers Instruments in the Linear-In-Means Model
均值线性模型中朋友的朋友工具变量的实证挑战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：摘要研究网络同伴效应的反射问题和高阶连接工具变量，直接涉及网络结构下的因果识别及弱工具推断。
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
均值线性模型中朋友的朋友工具变量的实证挑战
- 研究问题
- 用朋友的朋友特征解决同伴效应反射问题时，网络的稀疏或稠密程度如何造成工具变量退化、第一阶段信息不足或参数未定义？
- 方法与思路
- 作者利用随机图理论刻画基准网络中问题出现的速率，连接网络拓扑与第一阶段信息，并讨论弱工具推断和网络缩放设定。
- 材料陈述的贡献
- 摘要称极稀疏网络可能使工具变量退化，较密网络也可能信息不足；论文提出推断适配和替代设定，并以模拟和应用重访说明问题。
- 阅读关注点
- 应核对随机图基准及增长序列、第一阶段参数未定义与弱识别的区别、稳健推断的调整，以及网络缩放如何改变模型解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出具体速率条件，也不能据此断言所有高阶网络工具变量均失效。
原文摘要
In the linear-in-means model, endogeneity arises naturally due to the reflection problem. A common solution is to use Instrumental Variables (IVs) based on higher-order network links, such as using friends-of-friends' characteristics. In this paper, we show that such instruments are unlikely to work well in many applied settings due to a specific sparse/dense-network mechanism: in extremely sparse networks, friends-of-friends instruments may become degenerate, while in denser networks they may still provide too little first-stage information. This implies that the IVs may be weak or that the first-stage estimand is undefined. We use random graph theory to characterize the rates at which these issues arise for a benchmark class of random graphs. This allows us to link network topology to first-stage information accumulation and to identify when such instruments are likely to perform well. We show how existing weak-IV robust inference can be adapted to this environment, and how scaling the network provides an alternative specification that can mitigate some of these challenges. We provide extensive Monte Carlo simulations and revisit empirical applications, showing the prevalence of such issues in empirical practice, and how our results apply.