Кратко: предложу гипотезы, как измерять сети и нормы, несколько эмпирических дизайнов (наблюдательный + инструментальные, полевые РКИ, естественные эксперименты), ключевые эконометрические модели и способы решения проблем идентификации (reflection, эндогенность связей), измерения исходов и проверки робастности.
1) Основные гипотезы
- Сети и социальные нормы влияют на трудовое участие, интенсивность труда, потребление и сбережения через каналы социального обучения, давления/репутации и доступ к информации/кредиту.
- Эффекты бывают прямыми (поведение сверстников) и косвенными (структура сети, центральность).
2) Показатели и данные
- Сеть: матрица смежности $A$ по name-generator; характеристики узлов $X_i$; меры: степень $d_i={\sum }_j{A}_{ij}$, центральность, кластеризация.
- Нормы: дескриптивные (что люди думают делают другие) и инджанктивные (что одобряется) — опросы, вектор ответов $N_i$.
- Исходы: труд — занятость, часы, доход; потребление — траты по категориям, POS/банковские данные; сбережения — остаток по счету, депозиты, мобильные деньги.
- Источники: админ. данные, банковские транзакции, панельные опросы, эксперименты в полевых условиях.
3) Базовые эконометрические модели
- Линейная модель «влияние сверстников» (reflection problem):
$$y_{it}=\alpha +\beta {\overline{y}}_{-i,t}+\gamma X_{it}+\delta {\overline{X}}_{-i,t}+{\mu }_i+{\lambda }_t+{\epsilon }_{it},$$ где ${\overline{y}}_{-i,t}=\frac{1}{d_i}{\sum }_j{A}_{ij}{y}_{jt}$.
- Простая пространственная модель:
$$y=\rho Wy+X\beta +u,$$ где $W$ — нормализованная матрица связей.
- Динамическая панель (учитывая автокорр.):
$$y_{it}=\varphi y_{i,t-1}+\beta {\overline{y}}_{-i,t-1}+\dots +{\epsilon }_{it}.$$
4) Идентификация и стратегии
- Проблемы: reflection (одновременно), одновременная обусловленность (одинаковые шоки), эндогенность образования связей.
- Решения:
a) Рандомизация связей / рандомизация назначения сверстников: случайно назначать "peer-groups" или seed-агентов — прямой способ получить экзогенную ${\overline{y}}_{-i}$.
b) Инструментальная переменная: использовать экзогенную рандомизацию лечения у соседей ${\overline{Z}}_{-i}$ как IV для ${\overline{y}}_{-i}$. Первый шаг:
$${\overline{y}}_{-i,t}=\pi {\overline{Z}}_{-i}+\eta X+{\nu }_{it},$$ второй шаг — как в модели выше с ${\overline{y}}_{-i,t}$.
c) «Peer-of-peer» IV (Гузман-подход): использовать характеристики соседей соседей, которые влияют на сверстников, но не напрямую на индивида.
d) Использовать экспериментальные манипуляции норм (randomized norm messaging): рандомизированное сообщение о том, как «обычно люди делают» (descriptive) или что «одобряется» (injunctive).
e) Различать социальное обучение и давление через дизайн: одно лечение — информация о выгоде (обучение), другое — публичное раскрытие (репутация).
5) РКИ — примеры дизайнов
- Cluster-RCT по деревням/школам: в одних кластерах рандомизировать кампании по сбережениям (например, бонусы/инструменты), в других — контроль; картографирование сети внутри кластеров для анализа spillovers.
- Seeding experiment: выбрать рандомно несколько «центральных» и «периферийных» узлов, дать им стимул (сбережения/работа), измерить распространение.
- Norm messaging RCT: рандомно дать частям сети разные формулировки (например, «80% людей региона откладывают» vs нейтральное), посмотреть изменения в поведении и spillovers.
6) Натуральные эксперименты / дифф-ин-дифф
- Использовать неожиданные политические/экономические шоки (например, открытие фабрики, введение государственной программы кредитования) с дифф-ин-дифф на уровне сетей:
$$y_{it}=\alpha +\tau Trea{t}_i\times Pos{t}_t+\beta X_{it}+{\theta }_i+{\lambda }_t+{\epsilon }_{it}.$$ - Исследовать изменение структуры сети до/после шока и поведение.
7) Контроль эндогенности связей
- Собирать панельные данные о формировании связей; применять модели парного выбора/экзогенные шоки, задающие новые связи.
- Использовать методы совместной оценки образования сети и поведений (SAOM, ERGM + поведение) или включать dyadic fixed effects.
8) Тесты механизмов и робастность
- Разделять каналы: включать медиаторы (информация, кредитный доступ, ожидания наказания) и проверять уменьшение эффекта при контроле.
- Placebo-тесты (поведение/категории, на которые вмешательство не должно влиять).
- Heterogeneity: по центральности, по возрасту, по доверию.
- Коррекция множественной проверки (Bonferroni / FDR).
9) Размер выборки (MDE)
- При простом равномерном RCT требуемый N для обнаружения эффекта $\delta$:
$$N=\frac{2{\sigma }^2(z_{1-\alpha /2}+z_{1-\beta }{)}^2}{{\delta }^2},$$ где ${\sigma }^2$ — дисперсия исхода, $\alpha$ — уровень значимости, $1-\beta$ — мощность. Для кластерных дизайнов делить на ICC и корректировать.
10) Практические замечания
- Предпочтительна панель и админ. транзакционные данные для точности.
- Соблюдать этику (информированное согласие при манипуляциях социальных норм).
- Документировать сеть и любые изменчивые связи.
Кратко: лучший путь — комбинировать рандомизацию (seed/peer-treatment, norm messaging) с тщательной картографией сети и панельными данными; использовать peer-treatment как IV для преодоления reflection; проверять механизмы через медиаторы и разнообразные робастные тесты.