一种估计因果同伴影响的贝叶斯方法，考虑潜在网络同质性

研究人员一直致力于理解在社交网络的观察性研究中，个体的行为如何受到同伴行为的影响。然而，由于同质性的混杂效应（人们倾向于与具有相似特征的人建立联系），识别和估计因果同伴影响具有挑战性。此外，由于驱动同质性的所有属性通常并不总是被观察到，并作为未观测混杂因素，使用标准因果识别假设来识别和估计因果同伴影响变得不可行。在本文中，我们通过利用从网络本身推断出的潜在位置来区分同质性和因果同伴影响，从而解决这一挑战，并通过采用贝叶斯分层建模框架将该方法扩展到多个网络。为了适应同伴影响对个体行为的非线性依赖，我们采用贝叶斯非参数方法，特别是贝叶斯加性回归树（BART），并提出了一个贝叶斯框架来考虑推断潜在位置的不确定性。我们通过广泛的模拟研究评估了估计量的操作特性。最后，我们将我们的方法应用于估计中学教师咨询网络中因果同伴影响，以评估教师对数学教育的信念是否受到他们寻求建议的同伴信念的影响。我们的结果表明，忽视潜在同质性可能导致对因果同伴影响的低估或高估，并伴随相当大的估计不确定性。