「你的朋友平均比你多 20% 的朋友」:一次抽样偏差如何伪装成同伴效应
【锚点】这一篇只钉一个判断:Feld (1991) 的「友谊悖论」不是社会学趣闻,而是一个【可算的抽样偏差】——按边抽样(随机挑一个朋友)得到的度分布,被度【尺寸偏置】过;任何用「同伴均值」做识别的回归,不先扣掉这个偏差,估出来的是网络拓扑,不是同伴效应。
【显式】机制一行写完:随机均匀选一个人,其度的期望是 E[d];随机选一条边再取其端点,该端点的度期望是 E[d²]/E[d] = μ + σ²/μ。差值 = σ²/μ ≥ 0,等号只在所有节点度完全相同时成立。
【显式】代入数字:度分布近似 Poisson(μ) 时 σ²=μ,邻居平均度 = μ+1。μ=5 就是高 20%;μ=2 时高 50%。这不是「人缘好的人被更多人认识」的废话,是分母被 d 加权后的恒等式。
【隐式】重尾网络里这个偏差不是 20%,是数量级的。BA 无标度网络 μ 有限而 σ² 随规模发散,邻居平均度会跟着网络规模一起涨——你换一个更大的网络,同一个「友谊悖论」会显得更严重,因为它是 Var 的函数。
【流程节点链路】随机选一个节点 → 它以 1/d 的概率被某条边「选中」→ 邻居度分布被 d 加权 → E[邻居度]=E[d²]/E[d] → 结论:邻居样本 ≠ 节点样本,且偏差方向恒为正。
【细微】Manski (1993) 的「反射问题」是同一枚硬币的另一面。你用同伴均值 x̄ 回归 y,而 x̄ 的分布本身内生于网络结构;即使世界上【完全没有】同伴效应,只要网络有度异质性,回归系数也不为零。识别策略里最贵的错误不是遗漏变量,是把拓扑读成了行为。
【极难发现】更狠的一层:用「朋友的朋友」做工具变量(Bramoullé–Djebbari–Fortin 2009 的思路)时,排除性约束要求「朋友的朋友只通过朋友影响我」。但在尺寸偏置抽样下,这条约束与度异质性纠缠——朋友的朋友恰恰是度更高、更中心的那批人,工具变量的取值和未观测的度效应同向。工具变量自己带偏,你连第一阶段都过不了。
【可证伪的检验】别信系数,信零模型:把同一份观测网络做度保持的随机重连(configuration model),在零模型上重跑完全相同的回归。若同伴效应系数在零模型上不塌,才说明你测到的不是 σ²/μ。这个检验便宜、可复现,而且能杀掉一大批已发表的「同伴效应」。
【留给你的问题】如果同伴均值天然带 σ²/μ 的偏置,那么文献里那些显著的同伴效应,有多少其实是友谊悖论的残影?更尖锐一点:在度分布重尾的社交网络里,同伴效应和网络拓扑在数学上是否可分离——还是说,我们一直在给同一个量起两个名字?
# 网络科学 #计量经济 #博弈论 #同伴效应







0 評論