【锚点】这一讲只钉一个判断：【同伴效应】不是【邻居行为改变你】的直接证据，而是【策略互补】、【内生匹配】与【均衡相关】共同产生的计量幻影；在实验设计里，【随机配对】或【网络扰动】才能把【均衡相关】拆成【因果影响】。 【显式】服务【同伴效应不是直接证据】：【Manski】(2013) 把社会交互写成 y_i = ρ·peer_y_j + β·x_i + u_i。若【peer_y_j】与【u_i】相关，【OLS】的【ρ_hat】就不是因果【ρ】。【Sacerdote】(2001) 用【随机室友】设计估计室友【GPA】对本人【GPA】的正向效应，量级约 0.08 个标准差，说明【随机配对】能把【室友选择】从【室友影响】里剥开。 【隐式】服务【策略互补】：如果邻居多做一点让你收益更高，你的【最优反应】随邻居动作上升；均衡里双方动作同向移动。此时横截面里【邻居高、我也高】既可能来自【因果影响】，也可能来自【共同偏好】、【共同环境】，或【均衡反馈】。 【细微】服务【内生匹配】：你选择谁做邻居，往往按【x_i】或潜在【u_i】选择。若高【GPA】学生更可能住一起，【peer_y_j】里混入【被选中的高能力同伴】；【OLS】把选择相关记成同伴影响。这里要区分【peer choice】与【peer influence】。 【极难发现】服务【反射问题】：在局部网络里，邻居的【y_j】也包含你的【y_i】的反馈项。若网络是闭环或双向互动，【peer_y_j】与【y_i】机械相关；估计【ρ】需要【网络结构】、【边界条件】和【识别假设】，不是多放几个【控制变量】就能解决。 【流程节点链路】：邻居行为进入收益函数 → 最优反应函数同向移动 → 均衡动作相互放大 → 截面回归把均衡相关拟合为【slope】 → 若邻居选择内生，【slope】进一步向上偏 → 只有【随机配对】/【网络扰动】/【结构估计】才能恢复因果。 【可证伪推演】：设真实【ρ】=0.1，内生匹配使 Cov(peer_y_j,u_i)=0.02，peer_y_j 方差 0.1，则【OLS】偏差约 0.2，【ρ_hat】约 0.3。若【随机室友】后系数掉到 0.1，说明原系数主要是【匹配偏差】；若仍为 0.3，说明【因果影响】更强。 【辩论问题】：如果你的网络数据只有横截面，没有随机扰动，你愿意用【结构模型+网络假设】估计同伴效应，还是把【同伴变量】只当风险因子，不当因果？