具有有序结果变量的二元数据

我们考虑用于有向网络数据的有序 logit 模型，允许灵活的发件人和收件人固定效应，这些效应可以因结果类别的不同而任意变化。这种结构会导致显著的偶然参数问题，特别是在网络稀疏或某些结果类别罕见时更为棘手。我们通过扩展来自二元选择网络模型的两两差分条件最大似然 (CML) 技术，开发了首个针对此情形的估计方法。该方法产生无固定效应的条件概率，从而即使在稀疏情况下也能实现一致估计。将 CML 原理应用于有序数据会产生对应不同结果阈值的多个似然贡献。我们提出并分析了两种基于聚合这些贡献的估计器：等权重两两差分逻辑估计器 (ETLE) 和合并两两差分逻辑估计器 (PTLE)。我们证明 PTLE 在较弱的识别条件下是一致的，只要在跨类别合并时信息充足，而非每个类别都需信息充足。蒙特卡洛模拟确认了 PTLE 的理论优势，实证应用于荷兰大学学生之间的友谊网络显示了该方法的价值。我们的方法揭示了性别、�烟行为和学术专业相似性的显著正向同伴效应，而不含固定效应的常规方法则产生了反直觉的结果。