[論文レビュー] Promotion through Connections: Favors or Information?

Yann Bramoullé, Kenan Huremović|arXiv (Cornell University)|Aug 23, 2017

Names, Identity, and Discrimination Research参考文献 18被引用数 3

ひとこと要約

本稿は、接続性の変動が外生的であることを前提とした異分散 probit モデルを用いて、助成金決定における「偏り」と「情報」の影響を分離する、新しい計量経済手法を提案する。スペインの学術昇進において、情報が接続性の大部分の正の影響を決定づけていることが判明した。強い接続性は評価の正確性を著しく向上させる。

ABSTRACT

Connections appear to be helpful in many contexts, such as obtaining a job, a promotion, a grant, a loan, or publishing a paper. This may be due either to favoritism or to information conveyed by connections. Attempts at identifying both effects have relied on measures of true quality, generally built from data collected long after promotion. Building on earlier work on discrimination, we propose a new method to identify favors and information from data collected at the time of promotion. Under weak assumptions, we show that promotion decisions for connected candidates look more random to the econometrician due to the information channel. We derive new identification results and estimate the strength of the two effects. We adapt the control function approach to address the issue of the selection into connections. Applying our methodology to academic promotions in Spain and Italy, as well as political advancements in China, we find evidence that connections may both convey information and attract favors.

研究の動機と目的

• 昇進における接続性の役割を研究する際、真の質の不完全な代理指標に依存する既存手法の限界を是正すること。
• 真の質の測定値を必要とせず、情報と偏りの相対的寄与度を特定できる手法を開発すること。
• 応募時における観察可能なデータを用いて、情報と偏りの効果の大きさを別々に推定すること。
• スペインの学術昇進に関する実データにこの手法を適用し、接続性効果の裏側にあるメカニズムを評価すること。

提案手法

• 接続された候補者の誤差項における余剰分散を検出するため、異分散 probit モデルを用いる。これは情報効果の存在を示唆する。
• 評価基準の違い（接続あり vs 接続なし）を通じて偏りを特定。評価に系統的なバイアスが存在すると仮定。
• 排除制約を満たし同定を可能にするために、接続性に外生的変動（ランダムに割り当てられた審査員）を用いる。
• 2002年から2006年までのスペイン学術昇進試験データにこの手法を適用し、強い繋がりと弱い繋がりを区別する。
• マージナル効果と尤度比検定を用いて、サブグループ（准教授および教授）における有意性と妥当性を評価。
• データの依存性を考慮するため、試験レベルで標準誤差をクラスタリングする。

実験結果

リサーチクエスチョン

• RQ1 接続性が候補者の質に関する情報によって、どの程度昇進結果を向上させるか？
• RQ2 接続性が評価における系統的バイアス（偏り）によって、どの程度昇進結果を向上させるか？
• RQ3 真の質の外部的測定値に依存せずに、情報と偏りの相対的強さを推定できるか？
• RQ4 強い接続性と弱い接続性の情報的および偏り的側面の効果に、どのような違いがあるか？
• RQ5 接続性が観察可能な特徴とどのように関連するかという妥当な仮定のもとで、両効果の同定は有効か？

主な発見

• 強い接続性による情報効果は、昇進に与える総合的正の影響の約61％を占め、偏りは39％にとどまる。
• 強い縁の場合は、最適なモデルで情報効果が0.157（p < 0.01）であり、偏り効果の0.123（p < 0.01）よりも顕著に大きい。
• 弱い縁の場合は、情報効果は0.077（p < 0.1）であるが、偏り効果は無視できるほど小さく、一部のサブグループでは負の値を示す。
• 両方の効果を考慮した場合、強い接続性の昇進確率に与えるマージナル効果は0.061（p < 0.01）であり、情報が0.046、偏りが0.016を占める。
• 尤度比検定により、両方の効果を含む異分散モデルが、等分散ベースラインより顕著に優れていることが確認された（p < 0.01）。
• 異なるモデル仕様およびサブグループ（APおよびFP）における妥当性チェックにより、情報効果が偏りを常に上回ることが一貫して確認された。