「社交网络分析」SNA是门怎样的学科?
的有关信息介绍如下:
借着这个问题介绍一下实证经济学中的“策略性网络形成”模型(strategic network formation models, SNF)。这是计量经济学和实证微观经济学当中一个非常前沿但仍然比较小众的领域,目前已经有好几篇不错的计量理论文章发表在了顶级期刊上,但是由于相关数据不足,实证应用仍然比较少。
经济学定义的网络涵盖范围很广。在国际贸易中,如果菲律宾的香蕉出口到中国,那么我们说这两个国家存在单向的贸易连接;如果同时中国的香蕉也出口到菲律宾,那么就存在双向的连接。如果把全世界的香蕉贸易画成一张网络图,那么每两个国家之间的关系就可以由网络中的结点和连线来描述。国际贸易的例子是一个有方向的图(directed graph),而如果考虑人和人的连接,就可以画出一个无方向的图(undirected graph)。
“策略性网络形成”考虑的问题是,一个网络中的个体,策略性地决定要不要和别的人建立连接。比如说,在中学的时候,你会想,要不要去认识隔壁班的同学张三,并和他交朋友。你会考虑这些因素:第一,你喜不喜欢他(对他本人的喜好);第二,你和他成为朋友对你的好处(就是这么功利);第三,他现在的朋友有多少,你能不能通过认识他和更多人成为朋友(划重点,你决定是否要和另一个人建立联系,会考虑现有的网络结构)。与此同时,张三也会考虑要不要和你交朋友,并且他考虑的因素和你是一样的。如果你们成了朋友,那么就会改变现有的网络结构,于是也会影响接下来其他人交朋友的决定——这叫做外部性(externality)。
于是这个经济学模型就是一个动态的,交朋友的过程。计量经济学通过模拟这个交朋友的动态过程,可以估计出人们的偏好函数,以及外部性如何影响人们的交友决策。
下面就简单介绍一下经济学家是如何估计交友模型的(Christakis et al. 2010)。这篇文章是比较早使用这个方法的,所以做出了大量简化的假设,也比较便于介绍。
首先,我们用一个矩阵 来描述数据观察到的网络,如果第i个人和第j个人是朋友,我们就记 ,否则就记为0。从数据中我们可以知道谁和谁是朋友,谁和谁不是。我们也可以知道每个人的特征,比如性别、年龄、学习成绩、是否是运动员等。我们把表示个人特征的向量记作 。同理,我们也可以得到潜在的一对朋友的特质,比如他/她们的性别差、年龄差、成绩差等,记作 。
我们假设这个社交网络是动态变化的,所以用下角标 来标注矩阵 。你在第 个时期决定要不要和另一个人成为朋友,取决于这个时期的社交网络网络 的结构,比如你们的共同好友数。所以,同样的两个人,在不同时期相遇,结果可能也不一样。
我们假设一共有 个时期,每一期中,会有两个人可以决定要不要做朋友。每个人都会和另外的人相遇一次:比如说,在所有人中,张三只会在一个时期遇到李四,决定要不要和他交朋友。一旦他俩成了朋友,就会永远是朋友,不会闹掰。假设一共有 个人,那么,根据这些假设,总的时期数 。
假如你是第 个人,你在第 期和 成为朋友,可以得到的效用是 ;反之,对方在这一期和你成为朋友可以给她带来的效用是 。你们在第 期会不会成为朋友,取决于什么呢?通常有两种设定方式:
这篇文章设定了效用函数的具体形式,即第1个人与第2个人交朋友,给第1个人带来的效用是:
其他所有人的效用函数都遵循同样的形式。这其中,所有的 表示个人的特征,比如性别、成绩等,所以式子里的第三项 表示两人之间的相似程度。如果矩阵 是正定的,那么意思是两人特征越相似,交朋友带来的效用就越高,即人以群分。 表示第2个人已经拥有的朋友数量,而 表示两人之间的分离程度(degree of separation),意思是需要找到几个中间人才能把两个人连起来。 表示其他的和这组连接相关的因素。 是误差项,通常最简单的假设就是所有 独立同分布地服从第一类极值分布(type I extreme value distribution),这样的话模型就可以简化为一个logistic离散选择问题。记第1个人愿意和第2个人交朋友的概率为 , 就是 大于0的概率,解出来可以表示为
模型的待估参数就是 ,其中所有的 代表网络结构对效用的影响,也就是外部性的影响。如果我们限制 都是0,那么网络结构就对交朋友的决定没有影响,动态模型和静态模型也没有区别,于是可以直接通过losistic回归得到参数估计。
但是问题在于, 并不是0,而我们实际上并不能观察到网络变化的动态过程,数据只能告诉我们网络最终的形态。也就是说,我们并不知道是张三和李四先相遇,还是李四和王五先相遇——而这个顺序会影响所有人的交友决策。
因为我们不知道每一对可能的组合相遇的顺序,所以在构建似然函数的时候,需要考虑所有的排序可能:一共有 对可能的组合,那一共就有 种可能的排序,这是一个天文数字。如果直接去计算所有可能的排序,是不可能实现的,所以本文作者使用了马尔科夫链蒙特卡洛算法(MCMC)去估计参数。MCMC这个方法又是一个大坑,不在本文进行介绍。
这篇文章的估计结果全都在下面这个表格中。
我们重点关注最后两列,因为前面的结果是假设没有网络外部性(即限制 )的估计结果。文章假设 是对角矩阵,对角线元素估计出来都是正的,说明的确是“人以群分”,高中生们都愿意和与自己相似的人交朋友。 是负的,说明“你的朋友越多,我越不想和你交朋友”,作者解释说,这是因为如果别人朋友多,分给自己的时间就少了,所以人们并不想和已经有很多朋友的人交朋友。至于这个解释是不是瞎掰,就要看各位读者的意见了。
这篇文章给我的感觉有点像大炮打蚊子,用了一个非常复杂的动态社交网络模型,估计出来一些鸡毛蒜皮的结果。但是这个方法上的贡献是重要的,如果用这个方法去分析更重要的问题,可能会得出更有意思的结论。比如说,耶鲁大学商学院的Uetake博士论文做的内容就是用与本文类似的“策略性网络形成”模型去分析美国风险投资的网络。
同时,也有一些针对网络模型的计量理论发展,比较有趣的一篇文章是UCLA的Shuyang Sheng今年发表在Econometrica上的一篇文章,和我介绍的方法的区别在于,Sheng假设网络并不是动态形成的,而是每个人同时决定和哪些人交朋友。这样的设定带来的困难是,这个博弈会有多重均衡,所以Sheng的方法是做partial identification,即不去假设多重均衡存在时的均衡选择问题,从而得到关于参数的区间估计。Partial identification又是一个计量经济学当中非常有趣的大坑,入门读物可以参考Molinari (2020)。
我之前和我的导师聊过,他非常不建议我把网络模型作为博士论文的选题,原因仍然是数据的匮乏。一个不trivial的,并且有清晰的网络结构的数据确实不多见。不过仍然对这个领域的前景持积极性的观望态度。
参考文献:



