摘要：

隨著統(tǒng)計建模技術的發(fā)展和網(wǎng)絡數(shù)據(jù)的快速增長，社會網(wǎng)絡分析（social network analysis，SNA）已經(jīng)越來越受社會學和相關學科的關注。然而，該領域的研究主要是描述性（descriptive）和相關性（correlational）的，難以嚴格轉(zhuǎn)化為實踐和政策成果。本文回顧了因果網(wǎng)絡分析的流行模型和方法，重點介紹了因果推理面臨的威脅，包括測量誤差（measurment error）、數(shù)據(jù)缺失（missing data）、網(wǎng)絡內(nèi)生性（network endogeneity）、情境混淆（contextual confounding）、同時性（simultaneity）和共線性（collinearity），以及相應的解決方案，包括工具變量（instrumental variables）、專門實驗（specialized experiments）、利用縱向數(shù)據(jù)（longitudinal data）。本文討論了網(wǎng)絡形成和網(wǎng)絡效應以及社會中心網(wǎng)絡（sociocentric network）和自我中心網(wǎng)絡（egocentric network）的主要模型和方法。最后，本文還討論了因果網(wǎng)絡分析的未來方向。

學人簡介：

Weihua An，埃默里大學社會學系

Roberson Beauvile，埃默里大學社會學系定量理論和方法系

Benjamin Rosche，康奈爾大學社會學系

文獻來源：

An, W., Beauvile, R., & Rosche, B. (2022). Causal Network Analysis. Annual Review of Sociology, 48.

關系（relational）效應

（1）社會資本模型（Social Capital Model）

社會資本模型考察了社會關系如何提供社會資源和社會支持（Cook 2014）。經(jīng)濟社會學研究表明，社會關系（在招聘組織中認識某人）對獲得工作或更高的薪酬至關重要（Granovetter 1973，Bian 1997，F(xiàn)ernandez & Weinberg 1997，Lin 2001，Pinheiro & Dowd 2009，Dowd & Pinheiro 2013）；社會關系可以提供各種形式的社會支持或壓力（Song 2011，Thoits 2011，Small 2013，Perry & Pescosolido 2015，Small & Sukhu 2016）。

對社會資本模型的爭議主要有三個方面：一是如何衡量社會資本。關系是否存在、關系的數(shù)量和強度（Bian 1997）、關系的多樣性（Uzzi 1999）均可用于社會資本，通過自我中心網(wǎng)絡獲得的特定資源也有多種測量方式（Molina等 2020）。二是混淆（confounding）問題。未觀測到的因素可能會影響社會資本，使得社會資本的估計效果產(chǎn)生偏差（Mouw 2006），對此可通過隨機化（randomization）或工具變量（instrument variables）加以處理。三是反向因果（reverse causality）。截面數(shù)據(jù)很難準確識別社會資本的效果，縱向數(shù)據(jù)則可被用以估計社會資本的滯后效應而非同期效應，以排除反向因果關系（Shalizi & Thomas 2011，VanderWeele等 2012）。

（2）社會傳染模型（Social Contagion Model） 

社會傳染（社會影響、同伴效應）模型用于檢驗某一社會行為是否以及怎樣通過社會關系傳播和擴散（Marsden & Friedkin 1993，F(xiàn)riedkin & Johnsen 2011）。“死黨模型”（best friend model）是社會傳染理論下的一個代表模型，主要分析一個人的最好朋友的行為是否會傳遞給其本人（Christakis & Fowler 2007，Cohen Cole & Fletcher 2008，An 2015a）。

社會傳染模型的擴展主要有三種形式：一是考慮所有網(wǎng)絡中的對等節(jié)點（peer）（如教室里的所有學生）的平均水平，而不僅僅關注“最好朋友”的行為，即構建線性均值模型（linear-in-means model）（Manski 1993）。二是使用網(wǎng)絡中與自我（ego）存在聯(lián)系的對等節(jié)點（peer）的平均水平，以更好地分析與自我存在直接連接的節(jié)點的影響，并構建空間自回歸模型（spatial autoregressive model）或空間滯后模型（spatial lag model ）（Friedkin & Cook 1990，O’Malley & Marsden 2008）。三是考慮網(wǎng)絡中與自我存在間接連接的節(jié)點影響（Christakis & Fowler 2007）或結構等效（structurally equivalent ）對等節(jié)點的影響（存在相似網(wǎng)絡連接的節(jié)點）進行建模（Burt 1987，Moody & Mucha 2013）。

在因果推理方面，社會傳染模型也面臨四個挑戰(zhàn)。一是同伴自選擇導致的混淆問題（Confounding due to peer selection）?！拔业呐笥训男袨椤敝阅軌蛴绊憽拔业男袨椤?，可能是因為我和我的朋友本身就存在諸多相似點，所以我選擇讓他成為我的朋友。此外，因為平均數(shù)線性模型中并不把自己（ego）視為同伴們（peer group）的一部分，從而可能導致自我和同伴的行為之間的偽負相關關系（Caeyers & Fafchamps 2020）。二是遺漏變量導致的混淆問題（Confounding due to omitted variables），包括忽略共同環(huán)境（如相同社區(qū)或?qū)W校）的影響、忽略共同朋友的影響、以及忽略其他外生的同群影響。三是同時性（Simultaneity）。對于共同朋友來說，i的行為可以影響j的行為，而j的行為也會影響前者，導致其與εi相關，并導致內(nèi)生同伴效應估計中的同時性偏差。四是測量誤差（Measurement error）。

對于以上問題，主要有兩種解決方案：一是平衡外生性變化（leveraging exogenous variation）。其一是通過工具變量處理外生性變化。如將好友家中的吸煙環(huán)境作為好友吸煙狀況的工具變量（An 2015a），基于三角關系中的間接朋友的身份（status）作為直接聯(lián)系朋友身份的工具變量（Bramoullé等 2009），將最好朋友的遺傳因素作為測量最好朋友行為的工具變量（O'Malley等 2014），Estrada等（2021）和Reza等（2021）則使用外源網(wǎng)絡來測量內(nèi)源性網(wǎng)絡。 其二是通過特殊實驗設計識別同伴效應（An 2011，VanderWeele和2013），包括對同伴進行隨機化處理（randomized peer treatment）和隨機分配同伴（random assignment of peers）。前者即研究人員將處理（treatment）隨機分配給他人而不是自我（An 2015b）。如果實驗的處理效果從他人擴散到自我，就證明了同伴效應。但這一設計也面臨兩個問題：一是自我可能會同時受到不同人的影響并相互干擾，使得估計有偏；二是在某些情況下，實驗處理本身可能會改變潛在的社會網(wǎng)絡，對結果產(chǎn)生遞歸（recursive）影響（An 2015b，Comola&Prina 2021）。因此，以上兩種實驗設計分別考慮了基于現(xiàn)有社會關系的同伴效應，以及基于新的社會關系（即同伴的其他特征）的同伴效應。 

二是糾正混淆問題?？墒紫扔肊RGM對關系形成（tie formation）（第一階段）進行建模（An 2011， Hsieh等 2020），在網(wǎng)絡效應（第二階段）中使用赫克曼選擇模型（Heckman selection ）（Goldsmith Pinkham & Imbens 2013，Arduini等 2015，Hsieh & Lee 2016）或匹配方法（Aral等 2009）、關注自我和他人行為的滯后性（Christakis & Fowler 2007）以進行校正。對于縱向網(wǎng)絡數(shù)據(jù)，還可使用SAOM隨機過程對網(wǎng)絡和行為的縱向演化過程進行建模（Snijders 2001 2011，Steglich等 2010）。 對于觀察性數(shù)據(jù)（observational data），基于固定效應模型的估計可能會使得滯后結果和轉(zhuǎn)化后的干擾（transformed disturbance ）間產(chǎn)生相關性（Nickell 1981），使估計產(chǎn)生偏差。為避免同時性問題，研究人員可以估計滯后效應或利用同伴行為中的外源性變化，并關注集體性的變化（Lee 2007，Davezies等 2009）、個體特定網(wǎng)絡結構的變化（Bramoulléet等 2009）、設置參數(shù)約束（Graham 2008，Arcidiacono等 2012，Rose 2017）。

但目前，有幾個問題仍懸而未決。一是揭示同伴效應的異質(zhì)性，例如自我和他人特征（種族和性別）以及自我-他人關系特征（如友誼持續(xù)時間和強度），二是確定同伴效應的潛在機制，三是在方法層面需要提供社會傳染理論以外的解釋跨單位結果依賴性的機制，四是探索網(wǎng)絡效應的非參數(shù)識別。

位置效應

位置效應（Positional effects） 是指個體在網(wǎng)絡中所處的位置是否以及在多大程度上影響其結果。已有研究指出確定了受歡迎程度和隔離效應（popularity and isolation effects）（Schaefer等 2010，Copeland等 2017）以及在社交網(wǎng)絡中連接個體的brokerage位置的效應（Gould & Fernandez 1989，Burt 1995，Cornwell 2009，Everett & Valente 2016，Greenberg 2021）。在建模方面，研究網(wǎng)絡位置的因果效應相當于用社會資本模型中的位置度量取代社會資本指標。因此，網(wǎng)絡內(nèi)生性（在網(wǎng)絡中占據(jù)特殊位置的個體傾向于選擇這些位置）和上下文混淆（決定網(wǎng)絡位置和結果的變量遺漏）是識別位置效應因果機制的兩個主要障礙。

結構效應

個體結果也會受到網(wǎng)絡宏觀特征的影響，如凝聚力（cohesion）描述了網(wǎng)絡的連接密度，并主要通過網(wǎng)絡的密度系數(shù)或平均地理距離（即兩個節(jié)點之間的最短路徑）來衡量（Moody & White 2003）。層次結構（hierarchy）描述了網(wǎng)絡聯(lián)系在參與者之間不均勻分布的程度，通常通過網(wǎng)絡的集中系數(shù)（centralization coefficient ）和互惠系數(shù)（reciprocity coefficient）來衡量，已有研究表明更集中的網(wǎng)絡有助于形成基于單次接觸的擴散（Barrat等 2008）。聚類（clustering）描述了網(wǎng)絡的局部集中程度，并通過網(wǎng)絡的全局或局部聚類系數(shù)來衡量。已有研究表明，局部聚類有助于基于多重聯(lián)系的復雜擴散（Centola 2010）。網(wǎng)絡構成（composition）（種族、性別、年齡和其他因素）也會影響個人結果（DiMaggio & Garip 2012，McFarland等 2014）。隨機性檢驗（Randomization tests）可通過隨機排列鄰接矩陣的行/列，將選定的網(wǎng)絡特征與隨機網(wǎng)絡進行比較，以評估網(wǎng)絡是否具有某些結構特征。為了研究結構性因果效應，可以使用結構特征來替代社會資本指標，尤其需要關注語境混淆和反向因果關系（即個體影響網(wǎng)絡結構），還可以使用多元回歸模型來改善統(tǒng)計結果。