跳转至

Engineering Social Networks: How Initial Group Assignment Shapes Student Social Interactions

作者: Johanna Einsiedler, Nikolaj Arpe Harmon, David Dreyer Lassen, Andreas Bjerre-Nielsen
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2607.17926

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是社会聚焦（social foci）——如教室、宿舍、社交小组等组织性分组——如何因果性地塑造社交网络的形成。核心统计问题是：给定一个随机或准实验的分组干预，如何识别分组对个体间连接（dyadic link）的因果效应，以及更重要的，如何识别分组对网络高阶结构（如三元闭包 triadic closure）的因果效应。当前成熟度：在 dyadic 层面（“是否连接”）已有大量随机实验和 IV 方法，但将 dyadic 效应与高阶网络结构（三角形）因果分离的工作极少，本文是首批尝试之一。

发展脉络

  1. 奠基工作：社会聚焦与网络形成的基础机制。Feld (1981) 提出“社会聚焦”概念——共同活动、物理空间等为互动提供机会。McPherson et al. (2001) 系统总结了同质性（homophily）——相似者更易连接。Watts & Strogatz (1998) 和 Kossinets & Watts (2006) 揭示了三元闭包——朋友的朋友也成为朋友——是网络聚类的基本驱动力。这三条机制（聚焦、同质性、闭包）构成了后续所有网络形成研究的理论基础。

  2. 随机实验进入网络因果推断。Sacerdote (2001) 利用达特茅斯学院随机室友分配，开创性地估计了同伴效应（peer effects）——这是“随机分组 + 网络结果”范式的起点。后续工作扩展到教室分组（Booij et al., 2017; Graham et al., 2020）、宿舍楼层（Marmaros & Sacerdote, 2006）等。但这些研究几乎全部停留在 dyadic 层面：将每条潜在连接视为独立观测，用 2SLS 或 reduced-form 估计分组对连接概率的平均处理效应。

  3. 网络形成模型的发展。Chandrasekhar & Jackson (2025) 提出了子图生成模型（SUGM），将网络视为若干“原子子图”（链接、三角形、星形等）的并集。SUGM 的关键优势是：它用少量参数就能拟合网络的 dyadic 和 triadic 结构，且估计在经验相关情形下具有一致性和渐近正态性。作者在原文中称 SUGM 能“匹配经验网络的基本模式，优于随机块模型、节点异质性模型、潜在空间模型和指数随机图模型”（Chandrasekhar & Jackson, 2025, 摘要）。但 SUGM 本身是一个描述性模型，不直接处理内生分组问题。

  4. 本文的位置。本文首次将 SUGM 与随机分组实验结合：用随机分配作为工具变量/控制函数，在 SUGM 框架内同时识别分组对直接链接（dyadic channel）和三元闭包（triadic closure channel）的因果效应。作者自称“据我们所知，没有先前研究分别识别这两个渠道”（Introduction, p.2）。这是从“估计整体效应”到“分解效应渠道”的关键一步。

子线索聚类

  • 线索 A：随机实验 + dyadic 因果推断。代表：Sacerdote (2001), Booij et al. (2017), Graham et al. (2020), Algan et al. (2023), Harmon et al. (2019)。方法核心：用随机分组作为工具变量，在 dyadic 回归中估计分组对连接的平均效应。局限：无法区分直接效应与闭包效应。

  • 线索 B：网络形成模型（含高阶结构）。代表：Chandrasekhar & Jackson (2025) 的 SUGM, Griffith (2024) 的结构模型, Stadtfeld & Pentland (2015) 的动态网络模型。这些模型能刻画三角形、聚类等，但通常不利用外生分组变异来识别因果，或依赖强参数假设。

  • 线索 C：工具变量方法处理网络干扰/非随机暴露。代表：Borusyak & Hull (2023) 的“instrument recentering”方法，处理当工具变量是多个随机冲击的确定性函数时的偏误。本文直接借用了这一技术来修正 dyadic IV 估计。

这个方向在追问的核心问题

  1. 分组干预的整体因果效应有多大？ —— 这是 dyadic 文献已经回答的问题，但答案因情境（宿舍 vs. 教室 vs. 社交小组）而异。
  2. 分组效应是通过直接促进两人互动，还是通过创造共同朋友从而间接促成连接？ —— 这是本文试图回答的核心问题，也是此前文献的空白。
  3. 忽略三元闭包会如何误导政策预测？ —— 本文通过模拟给出了初步答案：dyadic 模型可能低估聚类和福利效应。
  4. 分组效应是否与同质性交互？ —— 本文在附录 G 中探索了这一点，但未发现显著交互（可能因样本同质性高）。

⚠️ 作者的 framing

作者把缺口 frame 成：“现有因果研究只估计整体效应，但未分离直接渠道与三元闭包渠道”（Introduction, p.2）。这使得本文成为“显然的下一步”：既然 SUGM 能刻画三元闭包，随机分组能解决内生性，那么两者结合就是自然延伸。

被淡化或回避的竞争路线： - 结构估计方法（如 Griffith, 2024）被提及但被淡化——作者称其“需要强参数假设”，而本文的 IV+控制函数方法更“可信”。但 Griffith (2024) 实际上也处理了网络内生性，且能模拟反事实分配，与本文的模拟部分目标重叠。 - 动态网络模型（如 Stadtfeld & Pentland, 2015）未被深入讨论——它们能刻画随时间演化的闭包过程，但本文只用了静态（第二学期）网络快照。

明显该被引/该存在、却没出现在 intro 里的工作： - 没有引用关于网络干扰下因果推断的计量经济学文献（如 Manski, 1993; Bramoullé et al., 2009; 以及更近的“干涉”文献）。本文的 SUGM 本质上是一种处理网络干扰的模型，但未与这一更广泛的文献对话。 - 没有引用关于高阶影响函数（HOIF）或 U-统计量在因果推断中的应用——虽然这不直接相关，但考虑到本文处理的是三元组（triads），高阶统计量的视角可能提供另一种识别策略。

张力

未见明显对立引用。所有被引工作基本一致认为：社会聚焦重要、三元闭包存在、随机分组是黄金标准。本文的贡献在于将三者结合，而非挑战已有结论。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( i, j, k \)：学生个体。 - \( s \)：学习项目（study program），网络形成仅发生在同一项目内。 - \( \text{SameGroup}_{ijs} \)：二元变量，1 如果学生 \( i \) 和 \( j \) 在同一个社交小组（或教室）中。这是内生处理变量。 - \( \text{SameAssignedGroup}_{ijs} \)：二元变量，1 如果 \( i \) 和 \( j \) 在随机分配中被分到同一组。这是工具变量。 - \( \widehat{\text{SameAssignedGroup}}_{ijs} \)：去中心化工具变量，即 \( \text{SameAssignedGroup}_{ijs} \) 减去其条件期望（通过 1000 次模拟随机分配得到）。这是实际使用的 IV。 - \( Y_{ijs} \)：结果变量，可以是连续型（每周通话时长、短信数、物理会面次数）或二元型（是否成为 Facebook 好友、是否形成“链接”）。 - \( \text{Link}_{ijs} \)：二元变量，1 如果 \( i \) 和 \( j \) 基于 PCA 综合指标被判定为“有链接”（高于项目内 90 分位数）。 - \( \text{Triangle}_{ijks} \)：二元变量，1 如果 \( i, j, k \) 两两之间都有链接。 - \( L^{\text{direct}}_{ijs} \)：潜在变量，1 如果 \( i \) 和 \( j \) 在 SUGM 的第一步中直接形成了链接（不可观测）。 - \( T^{\text{direct}}_{ijks} \)：潜在变量，1 如果三元组 \( ijk \) 在 SUGM 的第一步中直接形成了一个三角形（不可观测）。 - \( \eta_{ijs}, \eta_{ijks} \)：不可观测的标量，捕捉影响链接/三角形形成的未观测因素（均值为 0）。 - \( u_{ijs} \)：第一阶段回归的残差，捕捉“内生选择”部分。 - \( \beta_1 \)：核心参数——共享分组对直接链接形成的因果效应。 - \( \theta_1 \)：核心参数——三元组中每多一对共享分组，对三角形形成的因果效应。

模型： - Dyadic 模型（第 3 节）：\( Y_{ijs} = \beta_0 + \beta_1 \text{SameGroup}_{ijs} + v_{ijs} \)。用 2SLS 估计，工具变量为 \( \widehat{\text{SameAssignedGroup}}_{ijs} \)。 - SUGM 模型（第 4 节）：网络形成分两步： 1. 第一步（不可观测）：链接和三角形独立地“直接形成”。形成概率线性依赖于分组状态和不可观测项：

\[\mathbb{E}[L^{\text{direct}}_{ijs} | G, \eta] = \beta_0 + \beta_1 \text{SameGroup}_{ijs} + \eta_{ijs}\]
\[\mathbb{E}[T^{\text{direct}}_{ijks} | G, \eta] = \theta_0 + \theta_1 \sum_{(\iota,\kappa) \in \{(i,j),(i,k),(j,k)\}} \text{SameGroup}_{\iota\kappa s} + \eta_{ijks}\]
2. 第二步（观测）：最终网络是第一步所有直接形成的链接和三角形的并集。即，只要 \( i \) 和 \( j \) 之间直接形成了链接，或者存在某个 \( k \) 使得三角形 \( ijk \) 直接形成，则观测到链接 \( \text{Link}_{ijs} = 1 \)。

可观测数据： - 可观测：每个学生的随机分配组别、实际组别、人口学特征（性别、年龄、高中 GPA、父母收入/教育等）；每对学生之间的四种互动指标（通话、短信、物理会面、Facebook 好友）；由此构建的二元链接指标 \( \text{Link}_{ijs} \) 和三角形指标 \( \text{Triangle}_{ijks} \)。 - 不可观测/潜在：直接链接 \( L^{\text{direct}}_{ijs} \) 和直接三角形 \( T^{\text{direct}}_{ijks} \) 是否形成。这是 SUGM 的核心识别挑战——我们只能看到最终网络，无法区分一条链接是“直接”形成的还是“作为三角形的一部分”形成的。

第二步：最小内核

本文的最小内核是：在一个只有 3 个学生（\( i, j, k \)）的简化世界里，如何区分“分组让 i 和 j 直接成为朋友”与“分组让 i、j、k 三人形成一个朋友圈（三角形），从而 i 和 j 也成了朋友”？

最简特例：假设只有一个学习项目 \( s \)，只有 3 个学生 \( i, j, k \)，且分组只有两种可能：要么三人都在同一组，要么都不在（忽略部分重叠的情况以简化）。那么： - 可观测数据：\( \text{Link}_{ij}, \text{Link}_{ik}, \text{Link}_{jk} \)（三个二元变量），以及 \( \text{Triangle}_{ijk} = \text{Link}_{ij} \cdot \text{Link}_{ik} \cdot \text{Link}_{jk} \)。 - 潜在变量：\( L^{\text{direct}}_{ij}, L^{\text{direct}}_{ik}, L^{\text{direct}}_{jk} \)（三个直接链接），以及 \( T^{\text{direct}}_{ijk} \)（一个直接三角形）。 - SUGM 的观测方程（5）退化为：

\[\text{Link}_{ij} = 1 \text{ if } L^{\text{direct}}_{ij} = 1 \text{ or } T^{\text{direct}}_{ijk} = 1\]
对 \( \text{Link}_{ik}, \text{Link}_{jk} \) 同理。

核心思路：如果分组只通过直接渠道起作用（\( \theta_1 = 0 \)），那么分组只会增加 \( L^{\text{direct}}_{ij} \) 的概率，而 \( \text{Link}_{ij} \) 与 \( \text{Link}_{ik} \) 在给定分组下是条件独立的。但如果分组也通过三元闭包起作用（\( \theta_1 > 0 \)），那么分组会增加 \( T^{\text{direct}}_{ijk} \) 的概率，这会导致 \( \text{Link}_{ij}, \text{Link}_{ik}, \text{Link}_{jk} \) 同时变成 1 的概率大幅增加——即出现“全连接三角形”。因此，通过比较分组对“单条链接”和“整个三角形”的效应，可以分离两个渠道。

数学上：在 3 人特例下，观测到三角形的概率为：

\[\mathbb{P}(\text{Triangle}_{ijk}=1) = \mathbb{P}(T^{\text{direct}}_{ijk}=1) + \mathbb{P}(T^{\text{direct}}_{ijk}=0) \cdot \mathbb{P}(L^{\text{direct}}_{ij}=L^{\text{direct}}_{ik}=L^{\text{direct}}_{jk}=1)\]
而观测到单条链接（如 \( \text{Link}_{ij}=1 \)）的概率为：
\[\mathbb{P}(\text{Link}_{ij}=1) = \mathbb{P}(L^{\text{direct}}_{ij}=1) + \mathbb{P}(L^{\text{direct}}_{ij}=0) \cdot \mathbb{P}(T^{\text{direct}}_{ijk}=1)\]
如果 \( \theta_1 > 0 \)，分组会同时增加 \( \mathbb{P}(\text{Triangle}_{ijk}=1) \) 和 \( \mathbb{P}(\text{Link}_{ij}=1) \)，但前者增加的比例更大（因为三角形需要三个链接同时存在，闭包效应被放大）。通过比较这两个概率对分组的变化，可以识别 \( \beta_1 \) 和 \( \theta_1 \)。这就是 SUGM 识别策略的直觉。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：利用大学新生随机分班和分组的自然实验，估计初始群体分配（社交小组和教室）对学生社交网络形成的因果效应，并首次将效应分解为“直接链接渠道”和“三元闭包渠道”。
  2. 核心工具/方法：将子图生成模型（SUGM, Chandrasekhar & Jackson, 2025）嵌入随机实验设计，使用去中心化工具变量（Borusyak & Hull, 2023）和控制函数方法，在非线性 SUGM 框架内同时识别直接链接和三角形形成的因果效应。
  3. 主要结论：社交小组（约 7 人）对网络形成有显著且持久的影响，且该效应几乎完全通过诱导额外的三元闭包实现，直接链接效应很小且不显著；教室（约 30 人）效应较弱且主要作用于直接链接。忽略三元闭包的 dyadic 模型会严重低估分组干预对网络聚类和福利的影响。

关键设定与假设

  • 随机分配：2013 年 DTU 新生在项目内被随机分配到 TA 教室（约 30 人）和社交小组（约 7 人），随机化条件于性别（教室）以及性别和饮食限制（社交小组）。平衡检验支持随机化成功（附录 A）。
  • 工具变量有效性：
  • 相关性：随机分配显著预测实际分组（第一阶段 F 统计量 > 1000，表 D1）。
  • 排他性：随机分配仅通过实际分组影响社交互动。作者使用 Borusyak & Hull (2023) 的“去中心化”方法处理因项目规模差异导致的“非随机暴露”问题——即，即使分配是随机的，不同项目内一对学生被分到同一组的基线概率不同，这可能导致 IV 与误差项相关。去中心化通过减去每对学生的基线概率来消除这一相关性。
  • 条件独立性：在 SUGM 的控制函数版本中，假设不可观测项 \( \eta \) 的条件均值仅依赖于第一阶段残差 \( u \)，而不依赖于工具变量 \( Z \)（公式 9-10）。这比标准 IV 排他性更强，因为它要求工具变量不能通过任何其他渠道（包括非线性渠道）影响结果。
  • SUGM 结构假设：
  • 条件独立性：给定分组和不可观测项，所有直接链接和直接三角形的形成是相互独立的（公式 5）。这是 SUGM 可处理的关键——它将复杂的网络依赖简化为原子子图的独立生成。
  • 线性概率模型：直接链接和三角形形成的概率是分组状态的线性函数（公式 3-4）。这显然是一个近似，但作者通过灵活的控制函数（二次多项式）来吸收非线性。
  • “并集”观测机制：最终网络是直接链接和直接三角形的并集（公式 5）。这意味着一条链接可以有两种来源，且这两种来源是“或”的关系——这是 SUGM 区别于其他模型（如 ERGM）的核心。
  • 相比已有文献的放宽/强化：
  • 放宽：相比标准 dyadic IV 文献，本文允许效应通过三元闭包传播，不要求“无干扰”假设（即一个人的连接不影响其他人的连接）。
  • 强化：相比标准 SUGM（Chandrasekhar & Jackson, 2025），本文增加了 IV/控制函数结构来处理分组的内生性——标准 SUGM 假设分组是外生的。

主要结果

1. Dyadic 2SLS 结果（表 3，图 1）： - 社交小组：共享小组使 Facebook 好友概率增加 69.6 个百分点（基线 20.7%），每周通话时长增加 0.29 分钟（基线 0.02 分钟），每周短信增加 1.33 条（基线 0.08 条），每周校外会面增加 2.93 次（基线 1.78 次）。综合链接指标（90% 阈值）增加 31.7 个百分点（基线 8.5%）。所有效应在 1% 或 5% 水平显著。 - 教室：效应弱得多。Facebook 好友概率增加 2.8 个百分点（不显著），通话时长增加 0.035 分钟（5% 显著），短信增加 0.11 条（不显著），校外会面增加 0.08 次（不显著）。综合链接指标增加 2.6 个百分点（10% 显著）。 - 持续性（附录 F）：社交小组效应在后续学期衰减但仍显著（如通话时长在第四学期仍显著为正）。

2. SUGM 结果（表 4）： - 社交小组：共享分组对直接链接形成的效应 \( \beta_1 = -0.027 \)（不显著，标准误 0.110）。对三角形形成的效应 \( \theta_1 = 0.037 \)（1% 显著，标准误 0.007）。这意味着：三元组中每多一对共享分组，该三元组形成三角形的概率增加 3.7 个百分点；如果三人都在同一组，概率增加 11.1 个百分点。核心发现：社交小组效应几乎完全通过三元闭包渠道实现。 - 教室：\( \beta_1 = 0.120 \)（不显著，标准误 0.117），\( \theta_1 = -0.005 \)（不显著，标准误 0.005）。估计不精确，但点估计指向直接链接渠道为主。 - 稳健性（附录 H）：使用线性/三次控制函数、不同 triad 权重、非负约束，结果定性一致。

3. 模拟与福利分析（第 5 节，图 3，表 5）： - 两种模型（dyadic vs. SUGM）生成相似的链接密度（平均 130 vs. 133 条链接），但 SUGM 生成远更多的三角形（平均 9.52 vs. 51.6 个）。 - 在一个简单的福利框架下（个体从直接链接和共同朋友溢出中获益），当溢出效应较弱时，两种模型预测的福利相近；当溢出效应增强时，SUGM 预测的福利显著更高（图 3 显示福利差异随 \( \gamma \) 增大而急剧增加）。这表明：忽略三元闭包会系统性地低估分组干预的福利效应。

证明路线与技术技巧

本文是应用型论文，没有传统意义上的“定理-证明”结构。但 SUGM 的识别和估计有清晰的技术路线：

整体路线（附录）： 1. 第一阶段：用 OLS 估计 \( \text{SameGroup}_{ijs} = \gamma_0 + \gamma_1 \widehat{\text{SameAssignedGroup}}_{ijs} + u_{ijs} \)，得到残差 \( \hat{u}_{ijs} \)。 2. 构造条件期望：在 SUGM 结构下，推导观测链接 \( \text{Link}_{ijs} \) 和观测三角形 \( \text{Triangle}_{ijks} \) 的条件期望 \( \mathbb{E}[\text{Link}_{ijs} | Z, u] \) 和 \( \mathbb{E}[\text{Triangle}_{ijks} | Z, u] \)，它们是 \( \beta_1, \theta_1 \) 以及控制函数参数的非线性函数（公式 25-26）。 3. 非线性最小二乘：用 \( \hat{u}_{ijs} \) 代替真实 \( u_{ijs} \)，通过最小化 dyad 和 triad 残差的加权平方和来估计所有参数（公式 27）。 4. 推断：对学习项目进行块自助法（block bootstrap，重抽样 100 次），得到标准误。

关键跳跃点： - 从潜在变量到观测概率（公式 19-20）：这是 SUGM 的核心技术贡献。给定直接链接和直接三角形的条件独立性，观测链接的概率可以写成直接链接概率和直接三角形概率的闭式表达式。这个表达式是非线性的（涉及乘积和补集），使得估计必须使用非线性方法。 - 控制函数处理内生性（公式 9-10）：假设不可观测项 \( \eta \) 的条件均值仅依赖于第一阶段残差 \( u \)，而不依赖于工具变量 \( Z \)。这允许将 \( \hat{u} \) 作为控制变量加入非线性模型，从而“吸收”内生选择带来的偏误。这是将线性 IV 思想推广到非线性 SUGM 的关键。 - 参数化控制函数：作者选择二次多项式作为 \( h^L \) 和 \( h^T \) 的基函数（附录 6.3），这既足够灵活以近似未知函数形式，又保持参数数量可控。

技术技巧点名： - Instrument recentering（Borusyak & Hull, 2023）：用于处理“随机分配但非随机暴露”问题。通过 1000 次模拟随机分配计算每对学生的基线同组概率，然后从原始 IV 中减去该概率。这消除了因项目规模差异导致的 IV 与误差项的相关性。 - 控制函数（Control Function）：在非线性模型（SUGM）中处理内生性的标准方法。第一阶段残差 \( \hat{u} \) 作为“控制变量”进入第二阶段，吸收 \( \eta \) 中与 \( u \) 相关的部分。 - 块自助法（Block Bootstrap）：以学习项目为块进行重抽样，允许项目内任意依赖结构，但假设项目间独立。这比 dyad-robust 标准误更稳健，因为它自动考虑了网络依赖（包括三元闭包导致的依赖）。 - 非线性最小二乘（NLS）：用于估计 SUGM 参数。目标函数是 dyad 和 triad 残差的加权平方和。权重 \( \omega_T \) 的选择（\( \omega_T = 1 \) vs. \( \omega_T = \frac{\#\text{dyads}}{\#\text{triads}} \)）影响估计效率。

真实例子与应用

数据：2013 年 DTU 新生，来自哥本哈根网络研究（CNS, Sapiezynski et al., 2019）。包含： - 蓝牙物理接近度（每 5 分钟扫描，10 米内）。 - 通话元数据（时长、时间，无内容）。 - 短信元数据（时间，无内容）。 - Facebook 好友快照（观测期末）。 - 行政数据（分组、成绩、人口学）。

样本： - 社交小组样本：171 名学生（来自 606 名有分配信息者，223 名 CNS 参与者，最终 171 名在≥10 人的项目中）。 - 教室样本：276 名学生（类似筛选）。

分析： 1. Dyadic 2SLS：对每对学生，用去中心化 IV 估计共享分组对四种互动指标和综合链接指标的影响。 2. SUGM 控制函数：扩展到三元组，用 NLS 同时估计直接链接和三角形形成的效应。 3. 模拟：用估计出的参数生成 500 个反事实网络，比较 dyadic 模型和 SUGM 的预测差异，并在福利框架下评估。

结果：见“主要结果”部分。

这个例子想说明什么： - 验证理论：随机分组 + SUGM 可以识别直接和闭包渠道。 - 展示相对 baseline 的优势：dyadic 模型会低估聚类和福利效应。 - 提供政策启示：社交小组是塑造网络的“强力干预”，且主要通过创造小圈子（而非一对一连接）起作用。

🔎 结论是否比证明窄

  • 窄的结论：作者在 SUGM 结果中承认，社交小组的直接链接效应 \( \beta_1 \) 估计不精确（标准误 0.110），因此“不能排除中等正向效应”（p.14）。这是一个诚实的窄结论——核心发现（三元闭包主导）是稳健的，但直接渠道的估计是模糊的。
  • 泛化的 claim：作者在结论中说“社交小组主要通过三元闭包影响网络”（p.17），这严格来说只对“直接链接效应不显著”这一统计结论成立。如果未来有更大样本发现直接效应也显著，则“主要”一词需要修正。
  • conjecture：作者在模拟部分假设了一个特定的福利函数（公式 12-14），并基于此得出“忽略三元闭包会低估福利”的结论。这个结论依赖于福利函数的参数选择（\( \alpha, \beta \)），作者没有证明它对所有合理的福利函数都成立。

四、开放问题

  1. 直接效应 vs. 闭包效应的精确分离：本文的 SUGM 估计中，社交小组的直接链接效应 \( \beta_1 \) 不显著但标准误很大（0.110）。扎根于：表 4 第 1 列。一个开放问题是：在更大样本或不同设定下，能否更精确地估计直接效应？或者，是否存在设计（如交叉随机化）能更好地分离两个渠道？

  2. SUGM 的独立性假设是否合理：SUGM 假设给定分组和不可观测项后，所有直接链接和直接三角形的形成是独立的。扎根于：公式 5 和附录中的推导。这个假设排除了更复杂的依赖模式（如“一个三角形形成后促进附近另一个三角形形成”）。开放问题：能否放松这一假设，或检验其合理性？

  3. 外部有效性：本文的样本是 2013 年丹麦技术大学的新生，社交平台使用习惯（Facebook、SMS）与今天差异很大。扎根于：结论部分的局限性讨论（p.17）。开放问题：在当代社交媒体环境（如 Instagram、WhatsApp、TikTok）下，分组效应是否仍然主要通过三元闭包实现？

  4. 福利函数的校准：模拟部分的福利函数（公式 12-14）是示意性的，参数 \( \alpha, \beta \) 未从数据中估计。扎根于：第 5.1 节。开放问题：能否从数据中估计出真实的溢出效应参数，从而给出更可信的福利预测？这可能需要额外的实验或结构假设。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论