[논문 리뷰] Social Interactions Models with Latent Structures

Zhongjian Lin, Zhentao Shi외 1명|arXiv (Cornell University)|2026. 02. 06.

Mobile Crowdsensing and Crowdsourcing인용 수 0

한 줄 요약

이 논문은 NPL과 Classifier-Lasso의 결합을 이용하여 잠재 그룹 구조를 가진 이질적 동료 효과를 추정하고 parametric bootstrap을 통해 Debiased하며 Add Health 데이터에 적용해 한 군집에서의 클러스터링과 유의미한 동료 효과를 밝힌 방법을 제시한다.

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.

연구 동기 및 목표

• 그룹 간 이질성을 가정하는 대신 동료 효과의 이질성을 모델링할 필요성을 동기화한다.
• 군집 고정 효과와 잠재 클러스터 구조를 갖는 이진 선택 사회적 상호작용 모델을 제안한다.
• 잠재 클러스터를 식별하고 매개변수를 추정하기 위해 NPL와 C-Lasso를 결합한 2단계 추정 전략을 개발한다.
• 우발적 매개변수 효과를 Debias하고 유효한 신뢰구간을 확립하기 위해 bootstrap 기반 추론을 제공한다.
• Add Health 데이터를 활용해 클러스터별 동료 효과를 실용적으로 입증한다.

제안 방법

• 군집 고정 효과와 군집별 기울기를 갖는 이진 선택 사회적 상호작용 모델을 공식화한다.
• 공통 기울기와 고정 효과를 추정하기 위해 Nested Pseudo Likelihood (NPL) 알고리즘을 사용한다.
• 그룹 수준 기울기가 유한한 클러스터 집합에서 뽑힌다는 잠재 구조 확장을 도입하고 Classifier-Lasso (C-Lasso)로 클러스터를 식별한다.
• 세 단계 수정된 알고리즘을 적용한다: 먼저 NPL을 수행하고, 그다음 C-Lasso로 분류한 뒤, 분류 후 클러스터 내에서 재추정한다(포스트-분류 추정).
• 우발적 매개변수 편향을 해결하기 위해 parametric bootstrap로 Debiased 추정값과 유효한 신뢰구간을 얻는다.
• 잠재 클러스터 수를 결정하기 위한 정보 기준(IC)을 제공한다.

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

실험 결과

연구 질문

• RQ1 동료 효과의 잠재적 그룹 구조를 사전 라벨 없이 일관되게 식별할 수 있는가?
• RQ2 동료 효과가 잠재 클러스터 간에 다르게 나타나는가, 그리고 특정 클러스터 내에서 통계적으로 유의한가?
• RQ3 latent 구조가 존재하는 상황에서 NPL-then-C-Lasso-then post-classification NPL의 3단계 추정이 추론에 대해 점근적으로 타당한가?
• RQ4 우발적 매개변수 편향을 고려한 부트스트랩 기반 추론이 유효한 신뢰구간을 제공하는가?
• RQ5 데이터에서 잠재 클러스터의 수를 결정하는 가장 좋은 기준은 무엇인가?

주요 결과

• Add Health 데이터에서 두 개의 잠재 클러스터를 탐지한다.
• 동료 효과가 탐지된 한 군Cluster 내에서 통계적으로 유의하다.
• 몬테 카를로 시뮬레이션은 분류와 매개변수 추정에서 강한 유한 표본 성능을 보여준다.
• 제안된 부트스트랩 방법은 우발적 매개변수 편향에도 불구하고 유효한 신뢰구간을 제공한다.
• 잠재 구조 모델은 동질적 매개변수 가정하에서 간과될 수 있는 이질적 사회적 상호작용을 밝혀낸다.