A Pairwise Differencing Distribution Regression Approach for Network Models¶

作者: Gabriela Miyazato Szini
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2608.04983

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是网络数据（dyadic data）中的分布回归（Distribution Regression, DR）。分布回归通过将连续/离散结果在每个阈值处二值化，估计一组二元选择模型，从而刻画协变量对整个条件分布的影响，而不仅仅是条件均值。当数据具有网络结构（如双边贸易、员工-企业匹配）且存在两向固定效应（sender/receiver heterogeneity）时，估计面临两个核心困难：一是固定效应带来的 incidental parameter problem（Neyman and Scott 1948），二是网络稀疏性（大量 dyad 取边界值）导致固定效应不可识别或偏差校正失效。本文试图同时解决这两个问题。

发展脉络（history）¶

奠基工作：Foresi and Peracchi (1995) 和 Chernozhukov et al. (2013b) 提出分布回归框架，将条件分布建模为一系列二元选择模型。Chernozhukov et al. (2013b) 还建立了反事实分布推断的理论。
网络形成模型中的固定效应处理：Charbonneau (2017) 和 Jochmans (2018) 针对有向网络提出条件最大似然估计（CMLE），通过配对差分消去两向固定效应，并证明其在稀疏网络下的一致性。Graham (2017) 对无向网络发展了类似方法。这些工作解决了单个二元选择模型中的 incidental parameter 问题，但仅限于单一阈值。
网络分布回归的首次尝试：Chernozhukov et al. (2024) 首次将分布回归引入网络模型，使用解析偏差校正（Fernández-Val and Weidner 2016）处理每个阈值处的固定效应。但该方法要求网络稠密（link probability 有界远离0和1），在稀疏或极端阈值处失效。
本文位置：作者将 Charbonneau (2017) 和 Jochmans (2018) 的 CMLE 从单一二元选择模型扩展到分布回归的多个阈值，从而在稀疏网络下仍能获得渐近无偏估计，并进一步建立了跨阈值的联合推断（同时置信带和相等性检验）。这是对 Chernozhukov et al. (2024) 的补充：前者适用于稠密网络且可恢复固定效应，后者适用于稀疏网络且仅关注结构参数。

子线索聚类¶

被引文献大致落在三条子线索上： 1. 分布回归方法：Foresi and Peracchi (1995), Chernozhukov et al. (2013b), Chernozhukov et al. (2024)。核心是二值化+二元选择模型，关注条件分布的整体特征。 2. 网络形成模型中的固定效应消除：Charbonneau (2017), Jochmans (2018), Graham (2017), Muris and Pakel (2025), Dano et al. (2025), Muris et al. (2025), Roelsgaard (2025)。核心是利用 logistic 分布下的充分统计量，通过条件似然消去固定效应，避免 incidental parameter 问题。 3. 偏差校正方法：Fernández-Val and Weidner (2016), Dzemski (2019), Hughes (2026)。核心是通过解析或 jackknife 校正固定效应带来的偏差，但需要稠密渐近假设。

这个方向在追问的核心问题¶

问题1：如何在网络数据中估计协变量对整个条件分布（而非均值）的影响？
问题2：如何处理两向固定效应带来的 incidental parameter 问题，尤其是在稀疏网络（大量 dyad 取边界值）下？
问题3：如何对多个阈值下的估计量进行联合推断（同时置信带、相等性检验），当不同阈值具有不同收敛速度时？
问题4：能否在稀疏网络下恢复固定效应以构建反事实分布？目前 CMLE 无法做到，偏差校正方法需要稠密网络。

⚠️ 作者的 framing¶

作者将缺口 frame 为：现有偏差校正方法（Chernozhukov et al. 2024）要求每个阈值处的二元指示变量概率有界远离0和1，这在稀疏网络或极端阈值下必然被违反（见引言第4段）。因此，CMLE 是“显然的下一步”，因为它不依赖该假设。作者淡化了两点：一是 CMLE 无法估计固定效应，从而无法构建反事实分布和平均偏效应；二是 CMLE 需要 logistic 分布假设，而偏差校正方法可适用于 probit 等。值得研究者去查的问题：为什么作者没有讨论半参数方法（如 Candelaria 2020, Toth 2017, Gao 2020）？这些方法放松了 logistic 假设或固定效应的可加性，但主要针对无向网络和单一二元选择模型。作者在脚注1中提及它们，但未在正文中比较。此外，关于“条件似然方法在面板数据中的扩展”（如 Davezies et al. 2023 对 T≥3 的 GMM 识别）也未深入讨论。

张力¶

未见明显对立引用。各工作之间在假设上互补：稠密网络下偏差校正可行，稀疏网络下 CMLE 可行。但存在一个潜在张力：Jochmans (2018) 的 CMLE 在稀疏网络下一致，但需要 np_n → ∞（期望信息性四元组数发散）；而偏差校正方法要求 link probability 有界。两者覆盖不同的稀疏程度，但实际应用中可能难以判断哪种假设更合理。

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： - \(n\)：节点数。节点集合 \(\mathcal{N} = \{1,2,\dots,n\}\)。 - \((i,j)\)：有向 dyad，\(i\) 为发送者，\(j\) 为接收者，\(i \neq j\)。所有 dyad 集合 \(\mathcal{D} = \{(i,j): i \neq j\}\)，共 \(n(n-1)\) 个。 - \(y_{ij}\)：可观测的标量结果变量（如双边贸易额），可以是离散、连续或混合。 - \(x_{ij} \in \mathbb{R}^p\)：dyad 特定的协变量向量（如距离、共同语言）。 - \(\theta_0(y) \in \mathbb{R}^p\)：在阈值 \(y\) 处的结构参数（待估），随 \(y\) 变化。 - \(\alpha_{i,y}, \gamma_{j,y}\)：发送者 \(i\) 和接收者 \(j\) 在阈值 \(y\) 处的固定效应（未观测），随 \(y\) 变化，且与 \(x_{ij}\) 的关系不受限制。 - \(\Lambda(\cdot)\)：已知链接函数，本文取 logistic 分布函数 \(\Lambda(u) = e^u/(1+e^u)\)。 - \(\tilde{y}_{ij,y} = \mathbf{1}\{y_{ij} \le y\}\)：在阈值 \(y\) 处的二元指示变量（可观测）。 - \(\varepsilon_{ij,y} \sim \text{Logistic}(0,1)\)：独立于所有协变量和固定效应的误差项，且独立跨 dyad（但同一 dyad 在不同阈值下的误差可相关）。

模型：条件分布函数被参数化为：

\[F_{y_{ij}}(y \mid x_{ij}, \nu_i, \omega_j) = \Lambda\big( x_{ij}'\theta_0(y) + \alpha_{i,y} + \gamma_{j,y} \big), \quad y \in \mathcal{Y},\]

其中 \(\nu_i, \omega_j\) 是未观测的节点异质性，\(\alpha_{i,y} = \alpha(\nu_i, y), \gamma_{j,y} = \gamma(\omega_j, y)\) 是它们的函数。等价地，

\[\Pr(\tilde{y}_{ij,y} = 1 \mid x_{ij}, \alpha_{i,y}, \gamma_{j,y}) = \Lambda\big( x_{ij}'\theta_0(y) + \alpha_{i,y} + \gamma_{j,y} \big).\]

这是一个 logistic 回归模型，但固定效应 \(\alpha_{i,y}, \gamma_{j,y}\) 的个数随 \(n\) 增长（共 \(2n\) 个），导致 incidental parameter 问题。

可观测数据：研究者观测到所有 dyad 的 \((y_{ij}, x_{ij})\)，以及由此构造的二元指示变量 \(\tilde{y}_{ij,y}\) 对于每个选定的阈值 \(y\)。不可观测的是固定效应 \(\alpha_{i,y}, \gamma_{j,y}\) 以及误差项 \(\varepsilon_{ij,y}\)。识别依赖于 logistic 分布假设和条件似然方法。

第二步：最小内核¶

考虑最简单的网络：只有 4 个节点 \(\{i, l, j, k\}\)，且固定发送者集合 \(\{i,l\}\) 和接收者集合 \(\{j,k\}\)。我们只观察这 4 个 dyad：\((i,j), (i,k), (l,j), (l,k)\)。在每个阈值 \(y\) 处，我们有四个二元结果 \(\tilde{y}_{ij,y}, \tilde{y}_{ik,y}, \tilde{y}_{lj,y}, \tilde{y}_{lk,y}\)。

核心想法：如果我们只考虑那些每个节点恰好有一个“1”和一个“0”的配置（即每个发送者恰好连接一个接收者，每个接收者恰好被一个发送者连接），那么固定效应 \(\alpha_{i,y}, \alpha_{l,y}, \gamma_{j,y}, \gamma_{k,y}\) 会在条件概率中消去。

具体地，考虑事件：

\[\tilde{y}_{ij,y} + \tilde{y}_{ik,y} = 1, \quad \tilde{y}_{lj,y} + \tilde{y}_{lk,y} = 1, \quad \tilde{y}_{ij,y} + \tilde{y}_{lk,y} = 1.\]

这三个条件意味着：发送者 \(i\) 恰好连接一个接收者，发送者 \(l\) 恰好连接一个接收者，且 \(i\) 和 \(l\) 连接的是不同的接收者（因为 \(\tilde{y}_{ij,y} + \tilde{y}_{lk,y} = 1\) 排除了两者都连同一个接收者的情况）。在此条件下，只有两种可能的配置（图1）： - 配置 A：\(\tilde{y}_{ij,y}=1, \tilde{y}_{ik,y}=0, \tilde{y}_{lj,y}=0, \tilde{y}_{lk,y}=1\)（即 \(i\) 连 \(j\)，\(l\) 连 \(k\)）。 - 配置 B：\(\tilde{y}_{ij,y}=0, \tilde{y}_{ik,y}=1, \tilde{y}_{lj,y}=1, \tilde{y}_{lk,y}=0\)（即 \(i\) 连 \(k\)，\(l\) 连 \(j\)）。

在这两种配置下，每个节点的出度/入度均为1，因此固定效应在条件概率中完全消去。利用 logistic 分布的性质，可以证明：

\[\Pr(\text{配置 A} \mid \text{条件事件}, x, \text{固定效应}) = \frac{\exp\big( ((x_{ij} - x_{ik}) - (x_{lj} - x_{lk}))' \theta_0(y) \big)}{1 + \exp\big( ((x_{ij} - x_{ik}) - (x_{lj} - x_{lk}))' \theta_0(y) \big)}.\]

这个概率不再依赖于任何固定效应，只依赖于协变量的配对差分和参数 \(\theta_0(y)\)。因此，我们可以通过最大化条件似然（对所有这样的四元组求和）来估计 \(\theta_0(y)\)，而无需估计固定效应。

这个最小内核揭示了整篇论文的核心数学操作：将原始二元选择模型通过条件事件转化为一个标准 logistic 回归，其中协变量被替换为四元组内的配对差分，且响应变量是四元组配置的指示（\(z_\sigma = 1\) 或 \(-1\)）。一般情形只是将这种四元组扩展到所有可能的节点组合，并处理由此产生的依赖结构。

三、这篇论文做了什么¶

三句话¶

研究问题：针对有向网络数据，提出一个分布回归框架，允许两向固定效应随结果阈值变化，并解决稀疏网络下的估计与推断问题。
核心方法：在每个阈值处，将结果二值化，然后使用 Charbonneau (2017) 和 Jochmans (2018) 的条件最大似然估计（CMLE），通过配对差分消去固定效应，从而避免 incidental parameter 问题；并建立跨阈值的联合渐近分布，构造同时置信带和系数相等性检验。
主要结论：CMLE 在稀疏网络（包括极端阈值）下保持渐近无偏；联合推断方法（sup-t 带）提供正确的同时覆盖，而 Wald 检验在阈值数增多时存在尺寸扭曲；应用于双边贸易数据，发现距离、共同法律体系等变量的系数在分布上显著变化。

关键设定与假设¶

模型：式 (1) 定义条件分布为 logistic 形式，固定效应可加且随阈值变化。
假设 3.1：节点独立抽样（不要求 dyad 独立，允许共享节点的 dyad 相关）。
假设 3.2-3.3：参数空间紧致，协变量二阶矩有界。
假设 3.4（关键）：期望信息性四元组比例 \(p_{n,y}\) 满足 \(n p_{n,y} \to \infty\)。这允许 \(p_{n,y} \to 0\)（稀疏），但要求信息性四元组数量发散。该条件等价于 \(\sqrt{n} q_{n,y} \to \infty\)（左尾）或 \(\sqrt{n} (1-q_{n,y}) \to \infty\)（右尾），其中 \(q_{n,y}\) 是平均概率 \(\Pr(y_{ij} \le y)\)。
假设 3.5：协变量六阶矩有界。
假设 3.6：得分协方差矩阵非退化（在 \(n^6 p_{n,y}\) 尺度下）。
假设 4.1（跨阈值）：联合得分协方差矩阵在块归一化后非退化。

相比已有文献：CMLE 不要求 link probability 有界（对比偏差校正方法），但需要 logistic 分布假设（对比半参数方法）。固定效应可随阈值变化（对比 Chernozhukov et al. 2024 中固定效应不随阈值变化的设定？实际上他们允许变化，但估计方法不同）。

主要结果¶

定理 1（一致性）：在假设 3.1-3.4 下，\(\hat{\theta}_{n,y} \xrightarrow{p} \theta_{y,0}\)。
定理 2（点态渐近分布）：在假设 3.1-3.6 下，\(\|\hat{\theta}_{n,y} - \theta_{y,0}\| = O_p(1/\sqrt{n(n-1)p_{n,y}})\)，且 sandwich 方差估计量 \(\hat{\Omega}_{n,y}\) 满足 \(\hat{\Omega}_{n,y}^{-1/2}(\hat{\theta}_{n,y} - \theta_{y,0}) \xrightarrow{d} N(0, I)\)。
定理 3（联合渐近分布）：对于有限个阈值 \(y_1,\dots,y_K\)，在假设 3.1-3.6 和 4.1 下： (i) 坐标学生化向量 \(T_{n,y}\) 的条件分布被 \(N(0, \hat{P}_{n,y})\) 在 bounded-Lipschitz 距离下逼近； (ii) 任意固定线性组合 \(a'(\hat{\theta}_{n,y} - \theta_{y,0}) / \sqrt{a'\hat{\Omega}_{n,y}a} \xrightarrow{d} N(0,1)\)； (iii) Wald 统计量 \(R(\hat{\theta}_{n,y} - \theta_{y,0})' (R\hat{\Omega}_{n,y}R')^{-1} R(\hat{\theta}_{n,y} - \theta_{y,0}) \xrightarrow{d} \chi^2_q\)。

技术难点：跨阈值估计量具有不同收敛速度（因 \(p_{n,y_k}\) 不同），且同一 dyad 在不同阈值下的二元指示变量高度相关。定理 3(i) 的表述为 Gaussian approximation with sample-size-dependent correlation matrix，避免了要求相对收敛速度有界。

证明路线与技术技巧¶

整体路线（以定理 2 为例，附录 C）： 1. 投影：将得分向量 \(S_n(\theta_0)\) 投影到 dyad 层面，得到 \(V_n(\theta_0) = \sum_{i,j} v_{ij}(\theta_0)\)，其中 \(v_{ij}\) 是条件期望。证明 \(S_n\) 与 \(V_n\) 渐近等价（通过比较协方差主项）。 2. 条件 CLT：给定协变量和固定效应，\(v_{ij}\) 条件独立，验证 Lyapunov 条件（利用四阶矩有界和 \(n p_n \to \infty\)），得到 \(\Upsilon_X^{-1/2} V_n(\theta_0) \xrightarrow{d} N(0,I)\)，其中 \(\Upsilon_X\) 是条件协方差。 3. Hessian 一致收敛：证明归一化 Hessian \(H_n(\theta)/(m_n p_n)\) 在 \(\Theta\) 上一致收敛到其期望，且期望在 \(\theta_0\) 处负定。 4. 均值展开：由一阶条件 \(\hat{\theta}_n - \theta_0 = -H_n(\theta^*)^{-1} S_n(\theta_0)\)，结合前几步得到渐近正态性，并推导 sandwich 方差。

关键跳跃点： - 投影的构造：不同于 Jochmans (2018) 显式计算投影，作者利用条件独立性（Graham 2017 的方法）直接比较得分与投影的协方差，避免了显式计算跨阈值联合概率，这为跨阈值推广铺平了道路。 - 方差阶的确定：得分方差主项来自共享一个 dyad 的四元组对，数量为 \(O(n^6)\)，每个贡献 \(O(p_n)\)，因此 \(\text{Var}(S_n) = O(n^6 p_n)\)。这决定了收敛速度 \(1/\sqrt{n^2 p_n}\)。 - 跨阈值联合分布（定理 3）：通过块归一化矩阵 \(D_{n,y}\) 吸收不同阈值下的不同速率，证明得分向量的联合渐近正态性，然后通过均值展开传递到估计量。关键技巧是使用 bounded-Lipschitz 距离来表述 Gaussian approximation，因为相关矩阵随 \(n\) 变化。

技术技巧点名： - Hájek 投影（但非对称核，故非标准）：用于线性化得分。 - U-statistics 理论：处理四元组求和，利用条件独立性简化协方差计算。 - 条件 CLT（Lyapunov）：在给定协变量和固定效应下，dyad 层面独立。 - Sandwich 方差估计：因信息矩阵等式不成立（得分项依赖）。 - Sup-t 方法（Montiel Olea and Plagborg-Møller 2019）：构造同时置信带，通过模拟 Gaussian 向量的最大值分位数。 - 块归一化：用 \(D_{n,y}\) 处理不同收敛速度，避免对相对速率施加条件。

真实例子与应用¶

数据：Helpman et al. (2008) 的 1986 年双边贸易数据，包含 157 个国家，结果变量为贸易额（千美元），约 55% 的 dyad 为零。协变量：对数距离、共同法律体系、边界、共同语言、共同宗教。

方法应用：对每个阈值 \(y_k\)（对应经验分位数 0.545 到 0.990，步长 0.005），估计 CMLE。然后构造每个协变量的 sup-t 同时置信带，并检验系数跨阈值相等性。

结果： - 距离的系数从 55% 分位数的约 1.05 增加到 99% 分位数的 1.78，表明距离对最大贸易流的阻碍更强。 - 共同法律体系的系数随分位数增加而变得更负（促进贸易），在高端更显著。 - sup-t 检验拒绝距离、法律体系、边界的常数系数原假设，但不拒绝语言和宗教。 - 与偏差校正估计量（BC）比较：在极端阈值处，BC 偏差急剧增大，CMLE 保持较小偏差；但 CMLE 方差更大（因仅使用信息性四元组）。

例子想说明：CMLE 在稀疏网络（大量零贸易）和极端阈值下可行，而偏差校正方法失效；同时，联合推断方法揭示了系数在分布上的显著异质性，这是条件均值方法无法捕捉的。

🔎 结论是否比证明窄¶

定理 3(i) 的 Gaussian approximation 依赖于相关矩阵 \(P_{n,y}(\hat{\theta}_{n,y})\) 随 \(n\) 变化，但作者在 Remark 3 中承认，扩展到连续阈值（uniform bands）尚未完成，且现有经验过程理论不直接适用。因此，论文的联合推断仅适用于有限个阈值，而非整个函数过程。
作者在结论中声称“CMLE 在稀疏设置下提供渐近无偏估计”，但定理 2 的证明依赖于 \(n p_{n,y} \to \infty\)，这在实际中可能难以验证（尤其当 \(p_{n,y}\) 衰减很快时）。模拟显示在极端稀疏下 CMLE 仍表现合理，但理论并未覆盖 \(n p_{n,y}\) 有界的情形。
关于“固定效应无法估计”的局限性被明确承认，但未给出部分识别或界的方法（仅作为未来方向提及）。

四、开放问题¶

连续阈值的均匀推断：定理 3 仅适用于有限个阈值。将结果扩展到连续阈值 \(y \in \mathcal{Y}\)，以获得均匀置信带和反事实分布推断，需要建立 CMLE 在函数空间上的弱收敛（如经验过程理论），但现有结果（如 Davezies et al. 2021 的可交换阵列理论）不直接适用，因为收敛速度随 \(y\) 变化。作者在 Remark 3 中明确将此列为未来工作。
部分识别平均效应：在稀疏网络下，固定效应不可估计，因此平均偏效应（average partial effects）和反事实分布至多是集识别的。发展有信息量的界（如 Honoré and Tamer 2006, Chernozhukov et al. 2013a 在面板数据中的方法）并扩展到网络模型，是一个自然方向。作者在第 7 节提到这一点。
放松 logistic 假设：CMLE 依赖于 logistic 分布。对于其他链接函数（如 probit），条件似然不再有闭式解。Davezies et al. (2023) 对面板数据 T≥3 的情形提出了 GMM 方法，但网络设定下是否可行？作者在脚注 7 中提及，但未深入。这可能是值得探索的 gap。
计算可扩展性：CMLE 需要对所有信息性四元组求和，计算复杂度为 \(O(n^4)\)（实际中可通过稀疏性降低）。作者引用了 Roelsgaard (2025) 的实现策略，但未提供自己的复杂度分析或大规模模拟。对于 \(n\) 很大的网络（如数万节点），计算可能成为瓶颈。开发近似或随机算法（如子抽样四元组）是开放问题。

Maintained by 陈星宇 · Homepage · Source on GitHub