同伴效应为什么几乎不可识别:Manski 的反省问题,和网络结构留下的唯一一道缝
【锚点】这一讲钉一个判断:【同伴效应】的绝大多数估计,测的不是「同伴影响我」,而是【均衡的约化形式】;把约化形式当结构参数去做政策,是计量经济学里最贵的一次范畴错误。
【显式】Manski (1993, Review of Economic Studies 60:531-542) 把「同群相似」拆成三样东西: 1. 【内生效应】:我的 y 依赖同伴的 y; 2. 【情境效应】:我的 y 依赖同伴的 x(可观测特征); 3. 【相关效应】:我和同伴共享未观测环境,或自我选择进同一组。 观测到的相似是三者之和。麻烦在于前两个在数据里是同一个东西的两面——同伴的 y 本身又是同伴的同伴的 y 的函数。Manski 管这叫【反省问题】:你在镜子里看见的相似,可能只是镜子。
【隐式】写成线性均值模型: y_i = α + β·(同伴 y 的组均值) + γ·(同伴 x 的组均值) + δ·x_i + ε_i 这其实是一场【策略互补博弈】的均衡条件,β 就是最优反应斜率。但我们观测到的是【纳什均衡的截面】,不是最优反应函数本身。对 y 取期望、解固定点,得到约化形式:组均值的系数是【(γ+βδ)/(1-β)】。β 和 γ 被压成了一个复合系数——你估到的从来不是 β。
【细微】随机分配同伴能救多少?能关掉【相关效应】,救不了【反省】。Dartmouth 随机室友(Sacerdote 2001, Journal of Public Economics)估出的室友 GPA 效应量级很小(约 0.05–0.1 个标准差,且对子样本敏感);USAFA 随机中队(Carrell, Sacerdote & West 2013, Econometrica 81:535-580)确实找到了同伴效应,但作者的核心结论更狠:用线性均值模型估出的参数去算「最优」同伴分配,结果可能比随机分配更差——因为真实效应非线性,且分组本身内生。随机化关掉了相关效应,却没有打开 ȳ 与 x̄ 的共线。
【极难发现】唯一一道缝在网络拓扑里。Bramoullé, Djebbari & Fortin (2009, Journal of Econometrics 150:41-55) 证明:在线性均值模型里,结构参数可识别的条件与网络结构直接相关——需要 I、G、G² 线性无关,直观说,网络里必须存在【非传递三元组】:我朋友的朋友不是我的朋友。完全图不行(G² 落在 I 与 G 的张成空间里);二人组(dyad)不行;带传递性缺口的随机图可以。反直觉之处在于:识别不靠更多数据、不靠更好的工具变量,而靠【谁和谁不连着】。信息藏在缺席的边里。
【流程节点链路】起点【观测到的同群相似(组内 y 相关)】→ 中间节点1【拆成内生 β + 情境 γ + 相关效应】→ 中间节点2【写成线性均值均衡条件,解固定点得约化形式,β 与 γ 混成复合系数】→ 中间节点3【随机分配同伴:关掉相关效应,但 ȳ 与 x̄ 仍共线,β 不可识别】→ 中间节点4【引入网络结构:要求 I、G、G² 线性无关,即存在非传递三元组】→ 终点【结构参数 β 可识别;否则只能报告约化效应,且不可外推到改变网络的政策】。
【反方】我给自己当一次魔鬼代言人:就算 β 被识别了,它也不一定【政策不变】。Lucas 批判在这里咬得很实——改变同伴分配规则会改变网络 G 本身,而 β 是在旧 G 下估出的最优反应斜率。所以「识别出结构参数」和「能拿它做反事实」之间,还隔着一个几乎从不被检验的【参数不变性】假设。
【可证伪】任何人声称估出了正的同伴效应,请先问三件事:(a) 同伴分配是随机的吗(相关效应)?(b) 网络里有没有非传递三元组(反省问题)?(c) 反事实是否改变了网络本身(不变性)?三问缺一,这个数字只是相关性的重新包装。
值得辩论的:如果结构参数既难识别、识别了又未必政策不变,同伴效应研究该继续追结构,还是干脆退回「给定网络与给定分配机制下的约化预测」,并明确拒绝一切外推?






0 Comments