Identification and Estimation of a Semiparametric Logit Model using Network Data
利用网络数据识别和估计半参数 Logit 模型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：摘要直接研究二元 Logit，并利用内生社会网络和共邻距离匹配控制异质性，对应离散选择与网络方法。
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
利用网络数据识别和估计半参数 Logit 模型
- 研究问题
- 当同一不可观测个体特征同时影响二元结果和社会连接时，如何利用网络形成信息控制异质性并识别结果方程的斜率参数？
- 方法与思路
- 作者以网络形成行为相同的个体对构造条件似然，使用共邻距离进行核加权匹配估计，并提出 jackknife 偏差修正及方差估计。
- 材料陈述的贡献
- 摘要称，斜率可点识别，估计量一致；有限网络类型下得到根号样本量正态性，一般情形刻画伪真值偏差，并提供模拟和小额信贷应用。
- 阅读关注点
- 核对相同网络行为如何消除潜在异质性、共邻距离的估计误差、有限支持与一般情形的条件，以及带宽和偏差修正的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列明完整识别条件，应用中的协变量效应变化也不能直接解释为因果效应变化。
原文摘要
This paper studies identification and estimation of a semiparametric logit model in which an unobserved individual characteristic affects both a binary outcome and the formation of social links. In this setting, the endogeneity of the network is informative rather than a nuisance: because the same latent trait drives linking behavior, observed network data can be used to control for unobserved heterogeneity in the outcome equation without imposing a parametric model of link formation. Slope parameters are point identified by a conditional likelihood argument applied to pairs of agents with identical network formation behavior. I propose a kernel-weighted conditional logit estimator that matches agents using codegree distances and establish its consistency. I then derive two asymptotic normality results: an exact root-$n$ result when network types have finite support, and a general result centered at a pseudo-true value whose bias I characterize and remove with a jackknife bias correction. Variance estimators that account for matching on estimated network distances are provided. Monte Carlo simulations demonstrate good finite-sample performance, and an empirical application to microfinance adoption demonstrates that accounting for endogenous network formation materially affects estimated covariate effects.