[論文レビュー] Social Interactions Models with Latent Structures

Zhongjian Lin, Zhentao Shi+1 more|arXiv (Cornell University)|Feb 6, 2026

Mobile Crowdsensing and Crowdsourcing被引用数 0

ひとこと要約

論文はNPLとClassifier-Lassoの組み合わせを用いて潜在的なグループ構造を持つ異質なピア効果を推定する方法を開発し、パラメトリックブートストラップでバイアスを除去してAdd Healthデータに適用し、1つのクラスターにおけるクラスタリングと有意なピア効果を明らかにする。

ABSTRACT

This paper studies estimation and inference of heterogeneous peer effects featuring group fixed effects and slope heterogeneity under latent structure. We adapt the Classifier-Lasso algorithm to consistently discover latent structures and determine the number of clusters. To solve the incidental parameter problem in the binary choice model with social interactions, we propose a parametric bootstrap method to debias and establish its asymptotic validity. Monte Carlo simulations confirm strong finite sample performance of our methods. In an application to students' risky behaviors, the algorithm detects two latent clusters and finds that peer effects are significant within one of the clusters, demonstrating the practical applicability in uncovering heterogeneous social interactions.

研究の動機と目的

• グループ間でピア効果の異質性をモデル化する必要性を動機づけ、同質性を仮定しない。
• グループ固定効果と潜在クラスター構造を持つ二項選択の社会的相互作用モデルを提案する。
• NPLとC-Lassoを組み合わせた二段階推定戦略を開発し、潜在クラスタとパラメータを特定する。
• 偶発的パラメータ効果のデバイアスをブートストラップで補正し、漸近的妥当性を確立する。
• Add Healthデータを用いてクラスター特異的なピア効果を示し、実用性を実証する。

提案手法

• グループ固定効果とグループ別傾きを持つ二項選択の社会的相互作用モデルを定式化する。
• 共通の傾きと固定効果を推定するためにNested Pseudo Likelihood (NPL)アルゴリズムを用いる。
• グループレベルの傾きが有限のクラスタ集合から抽出され、クラスタはClassifier-Lasso (C-Lasso)で識別される潜在構造拡張を導入する。
• 三段階の調整アルゴリズムを採用する：まずNPLを実行、次にC-Lassoで分類、最後にクラスタ内で再推定（分類後の推定）。
• 偶発的パラメータバイアスに対処するためパラメトリックブートストラップを用いてデバイアスのない推定量と有効な信頼区間を得る。
• 潜在クラスタ数を決定する情報基準（IC）を提供する。

Figure 1: Diagram of classification and estimation procedure. It displays an example of the adjusted algorithm with four groups classified into two clusters.

実験結果

リサーチクエスチョン

• RQ1 ピア効果の潜在的なグループ構造を事前のクラスタラベルなしで一貫して同定できるか。
• RQ2 ピア効果は潜在クラスタ間で異なり、いずれかのクラスタ内で統計的に有意か。
• RQ3 潜在構造がある場合の推定で三段階推定（NPL→C-Lasso→分類後NPL）は漸近的に有効な推論を提供するか。
• RQ4 ブートストラップベースの推定が偶発的パラメータバイアスを考慮した後に有効な信頼区間を与えるか。
• RQ5 データの潜在クラスタ数を決定する最良の基準は何か。

主な発見

• アルゴリズムはAdd Healthデータにおいて2つの潜在クラスタを検出する。
• ピア効果は検出されたクラスタのうち1つのクラスタ内で統計的に有意である。
• モンテカルロシミュレーションは分類とパラメータ推定において強い有限サンプル性能を示す。
• 提案されたブートストラップ法は偶発的パラメータバイアスにもかかわらず有効な信頼区間を提供する。
• 潜在構造モデルは、同質パラメータ仮定の下では見過ごされがちな異質な社会的相互作用を明らかにする。