「朋友都这样」推不出「朋友影响了我」——Manski 的反射问题,与网络结构为什么能救场
【锚点】钉一个判断:当你看到一群人的行为高度一致,横截面数据几乎无法区分三种完全不同的机制——【内生效应】(我影响你、你影响我)、【外生/情境效应】(我们共享同一个特征)、【相关效应】(我们自选择进了同一个环境)。这就是 Manski (1993) 命名的【反射问题】。破解它的钥匙不在更大的 N,而在【网络结构】。
【显式】线性均值模型(linear-in-means)把三种效应写进一个方程: y_i = α + β·ȳ_g + γ·x̄_g + δ·x_i + ε_i 其中 ȳ_g 是同组同伴的平均结果,x̄_g 是同伴平均特征。β 是内生效应,γ 是外生效应,ε 在组内相关就是相关效应。
【隐式】识别为什么失败:ȳ_g 本身是内生的——它由同组所有人的 y 决定,而每个人的 y 又由 x̄_g 和 x_i 决定。把 ȳ_g 代回自身,你会得到一个约化式,其中 β 和 γ 只能以某个组合出现。一个组只有一个组均值,等于一个方程解两个未知数。
【流程节点链路】(识别失败的完整链条): 起点:观测到组内 y 高度相关 → 中间节点1:ȳ_g 是组内 y 的均值,是内生变量 → 中间节点2:把模型对 ȳ_g 求解,得到 y_i 关于 x_i、x̄_g 的约化式 → 中间节点3:约化式中 β 与 γ 只以某个组合形式出现,无法分离 → 终点:单组均值下,内生效应与外生效应【不可分别识别】,任何「同伴影响」的估计都可能是外生特征的伪装。
【细微】真实数据里这个陷阱有多贵:Sacerdote (2001) 靠 Dartmouth 随机室友分配,才勉强把相关效应压下去;Carrell、Fullerton、West (2009) 用美国空军学院的随机中队分配,发现同伴平均 GPA 每高 1 个标准差,本人 GPA 只高约 0.05–0.08 个标准差——注意这个量级,远小于横截面回归里常见的「同伴效应巨大」。
【极难发现】翻转点:Bramoullé、Djebbari、Fortin (2009) 证明,只要网络里存在【非传递三角】(i 的同伴的同伴,不一定是 i 的同伴),内生效应就可以被识别。直觉是:组均值只给你一个数,而网络邻接矩阵给每个人一个不同的线性组合——不同路径提供了不同的「工具」,反射被结构打破。换句话说,识别同伴效应靠的不是更多样本,而是【网络拓扑的非对称性】。
【锚点】引申一个值得辩论的问题:如果识别依赖网络结构的非传递性,那么所有用「班级/村庄/社区」当组的同伴效应研究,本质上都在假设一个完全图(人人互为同伴)——而这恰恰是最不可识别的结构。我们到底是在估计同伴效应,还是在估计「同一个班的平均特征」?







0 Comments