【锚点】我要拆的流行读法：【邻居的 Y 更高】=【同伴影响 β>0】。更准确：网络回归里的【邻居均值】是【内生变量】，它同时携带【真实同伴影响】【共同冲击】【排序选择】三种来源；不先拆这三层，【β】只是残差混合。 【流程节点链路】原始观测：【Y_i 与邻居均值相关】 → 识别断裂：【邻居均值与个体特征/误差项相关】 → 可识别策略：【随机分配/工具变量/局部随机化】 → 结论：【β 才是同伴影响】。

【显式】最小模型是 【Y_i = α + β Ybar_N(i) + γ X_i + ε_i】。若 【X_i】 是能力、家庭背景或初始动机，而网络按 【X】 聚类，则 【Cov(Ybar_N(i), X_i)≠0】。此时 【OLS】 的 【β_hat】 不是纯同伴效应，而是 【β_true + 排序偏误 + 共同冲击偏误】。

【隐式】【Manski reflection problem】说：一般网络中，【邻居均值】由邻居的 【Y】 构成，而邻居的 【Y】 又由邻居的 【X】 与 【ε】 构成；所以 【Ybar_N(i) 与 ε_i 相关】并不是【没控制变量】的疏忽，而是【结构内生】。控制自己的 【X_i】 不够，因为邻居的 【X_j】 也会进入 【Ybar_N(i)】。

【细微】【Sacerdote (2001)】用 【Harvard 随机室友分配】做局部外生冲击：【室友 SAT 均值提高约 100 分】，【本人 SAT 约提高 10 分】，量级约 【0.1】。这个例子常被误读为【同伴影响就是 0.1】；更准确：它只是【局部随机化下的平均处理效应】，不是整个网络的【均衡乘数】。

【极难发现】若 【Y_i】 是邻居 【Y】 的 【best response】，即 【Y_i = β Σ_j w_ij Y_j + X_i + ε_i】，均衡解依赖 【(I-βW)^{-1}】。局部随机化估计的是 【β 的局部参数】；网络总效应还要乘上【结构乘数】，且要求 【βρ(W)<1】 才有【稳定均衡】。把局部 【β】 当成【全局因果】，是把【一阶响应】误当【均衡结果】。

【结论】网络回归的第一问不是【β 显著吗】，而是【邻居均值的外生性从哪来】。没有外生变异，显著只说明【网络相关】，不说明【同伴影响】。

【待验证点】在你的网络里，【随机化是否存在】？【邻居均值与 ε_i 的相关是否可测】？【βρ(W) 是否小于 1】？

【问题】如果 【β】 是【战略互补】，网络里的【同伴效应】应该被当成【政策杠杆】，还是当成【测量陷阱】？