[论文解读] Identification and Inference of Network Formation Games with Misclassified Links

Luis E. Candelaria, Takuya Ura|arXiv (Cornell University)|Apr 26, 2018

Game Theory and Applications参考文献 18被引用 4

一句话总结

本文提出了一种在链接误分类情况下的网络形成博弈的稳健识别与推断方法，利用矩条件刻画同质性偏好与网络外部性参数的识别集。该方法在存在误分类链接的大规模网络中仍能实现渐近有效的推断，经由对印度南部农村贷款网络的实证应用得到验证。

ABSTRACT

This paper considers a network formation model when links are potentially misclassified. We focus on a game-theoretical model of strategic network formation with incomplete information, in which the linking decisions depend on agents' exogenous attributes and endogenous network characteristics. In the presence of link misclassification, we derive moment conditions that characterize the identified set for the preference parameters associated with homophily and network externalities. Based on the moment equality conditions, we provide an inference method that is asymptotically valid when a single network of many agents is observed. Finally, we apply our misclassification-robust method to study the preference parameters of a lending network in rural villages in southern India.

研究动机与目标

• 为解决在链接误分类情况下，战略网络形成模型中结构参数识别与推断方法的缺失问题。
• 将链接误分类建模为条件随机机制，影响结果（链接形成）以及均衡中使用的信念体系。
• 推导出刻画误分类下偏好参数识别集的矩条件，确保对测量误差的鲁棒性。
• 为单个大规模网络开发渐近有效的推断程序，即使参数部分识别也能控制网络规模的影响。
• 将该方法应用于印度南部一个真实世界的贷款网络，评估误分类对估计偏好参数的影响。

提出的方法

• 推导出将观测到的链接概率与未观测到的信念及结构参数联系起来的矩等式条件，实现在误分类情况下的识别。
• 采用潜变量指数模型，其中真实链接形成决策依赖于可观测特征、网络统计量以及未观测到的冲击。
• 通过引理2刻画观测到的（误分类的）链接与潜在信念体系之间的关系，实现向单个参与者决策模型的简化。
• 施加一个条件误分类模型（假设3），其中误分类概率依赖于链接状态，但为条件随机。
• 提出一种计算上可行的置信区间程序，在部分识别下控制尺寸，采用轮廓经验似然方法。
• 在附录B中将模型推广至允许协变量依赖的误分类，提升实际适用性。

实验结果

研究问题

• RQ1 链接误分类如何影响战略网络形成模型中偏好参数的识别？
• RQ2 在链接误分类情况下，可采用何种矩条件来刻画结构参数的识别集？
• RQ3 当仅观测到一个大规模网络时，能否在误分类下实现渐近有效的推断？
• RQ4 链接数据中的假阳性与假阴性如何影响对互惠性、同质性以及网络外部性的估计偏好？
• RQ5 标准推断方法在链接误分类下在多大程度上会失效，以及如何进行校正？

主要发现

• 即使存在显著的误分类（例如高达90%的假阳性），该方法仍能正确识别出在印度南部农村网络中，互惠性、性别同质性与亲属关系是贷款决策的主要驱动因素。
• 在90%假阳性误分类下，互惠性参数的95%置信区间仍保持在[0.500, 1.676]之间，表明具有高度稳健性。
• 在90%假阳性误分类下，'同一家族'参数的置信区间长度扩大了20.987倍，反映出该参数不确定性显著增加。
• 在90%误分类下，'受支持的信任'参数的置信区间从97.32扩大至110.258，表明精度下降，但仍能覆盖真实参数范围。
• 即使在部分识别下，该方法仍能保持有效的覆盖概率，且置信区间大小随误分类率系统性增加。
• 实证结果证实，性别与亲属关系的同质性，以及互惠性，即使在链接数据存在噪声的情况下，依然是决定贷款行为的最重要因素。