Estimating Causal Peer Influence in Homophilous Social Networks by Inferring Latent Locations
通过推断潜在位置估计同质性社会网络中的因果同伴影响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：摘要直接处理社会网络中的潜在同质性混杂与同伴影响识别，同时对应网络与干扰问题以及非实验因果推断。
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…
通过推断潜在位置估计同质性社会网络中的因果同伴影响
- 研究问题
- 观察性社会网络中的同伴影响与潜在同质性相混淆时，能否利用整体连边模式恢复潜在属性，从而一致估计社会影响效应？
- 方法与思路
- 作者在潜在社群和连续潜在空间网络模型下估计同质性属性，再将估计属性作为控制变量纳入社会影响的线性模型。
- 材料陈述的贡献
- 摘要称常见版本的两类网络模型允许渐近无偏且一致的影响估计，偏差缩减速度直接反映网络提供的潜在属性信息量。
- 阅读关注点
- 应核对网络生成模型、潜在属性恢复和影响方程的假设，以及控制估计属性如何消除混杂、偏差速率如何依赖网络信息。
- 阅读边界
- 来源为稿件版本未注明的索引摘要，无法判断刊本变化；一致性依赖特定网络模型，不能推广为任意观察性网络均可识别同伴效应。
原文摘要
Social influence cannot be identified from purely observational data on social networks, because such influence is generically confounded with latent homophily, that is, with a node’s network partners being informative about the node’s attributes and therefore its behavior. If the network grows according to either a latent community (stochastic block) model, or a continuous latent space model, then latent homophilous attributes can be consistently estimated from the global pattern of social ties. We show that, for common versions of those two network models, these estimates are so informative that controlling for estimated attributes allows for asymptotically unbiased and consistent estimation of social-influence effects in linear models. In particular, the bias shrinks at a rate that directly reflects how much information the network provides about the latent attributes. These are the first results on the consistent nonexperimental estimation of social-influence effects in the presence of latent homophily, and we discuss the prospects for generalizing them.