社交网络中的传播——来自随机实验的证据

这是一篇很短的笔记，主要介绍Sinan Aral和Dylan Walker的两篇研究，方法如下：“某app”会在用户使用app时发信息给他/她的facebook好友，提醒他们自己正在使用这个app。作者在后台在后台设定信息随机群发，然后观察用户本身特征以及用户间关系类型对收到信息用户app安装率影响。两篇研究分别发表于Science和Management Science，作者是“某app”企业合伙人。实验流程请见题图。

两篇文章实证方法完全一致，都用Cox回归，区别在题目不同。一篇主要考察什么因素让用户推荐更易被人接受，以及什么因素让人更倾向相信别人的推荐。另一篇则侧重于研究关系类型对推荐效果的影响。基准模型设定请见上图，符号含义都一致。\lambda _{j} 是收到信息用户安装所推荐应用风险率，越大安装概率越高。N是收到信息数量，X_{i} 和X_{j} 分别代表信息发出方和接受方特征，EmBed代表双方关系强度。X包括年龄、性别、婚姻状况等变量，EmBed则包括是否就读同一大学、是否老乡、是否住在同一城市、合影数量等变量。

上图展示收到信息者个体特征与容易影响他人（influential）和易受影响（susceptible）程度的关系，前者即上图中\beta _{infl} ，后者即上图中\beta _{susc} 。每一长条都代表特征对应风险率（hazard rate）的95%置信区间，与中间黑线相交代表估计结果不显著，否则显著。估计结果显著大于1说明特征与影响力有显著正面影响，小于1则说明有显著负面影响。以上图中婚姻状况为例，共有5个对应变量：单身更能影响他人，也更容易受影响；恋爱和订婚状态都更易受影响；已婚更能影响别人；“It's complicated”状态也是更易受影响。

关系强弱也可能影响信息起作用的机率，此处强弱含义与Granovetter定义接近。作者考虑以下可能影响关系强弱因素：是否就读同一大学；是否老乡；是否居住在同一城市；共同好友数量。另一可能影响信息起作用机率因素是关系嵌合度（embededness），衡量两人关系网叠合程度，包括共同好友数量、合影数量、共同关注页面数量及共同参与小组数量。这一指标同样由Granovetter提出。结果发现：学校不显著；是老乡和不居住在同一城市都可显著提高app采用率；衡量叠合度所有变量都显著，尤其是共同小组数量。

作者还利用以上系数绘出不同好友网络对应的容易影响别人/易受影响程度热图，发现很多有趣结构。他们另外还用很多变量做了回归，检查了其它一些模型设定形式，这些结果都请参考原文。有两点结果特别有趣：一是31岁以上用户更容易影响别人，也更不容易受影响；二是男性比起女性更有影响力，但女性比男性更不容易受影响。研究数据来自随机实验，可避免已有研究面临的内生性（simultaneity）、同质性（homophily）、异质性（unobserved heterogeneity）等问题。以后这类研究很可能更加兴盛。

参考文献：

Aral S, Walker D. Identifying influential and susceptible members of social networks[J]. Science, 2012, 337(6092): 337-341.

Aral S, Walker D. Tie strength, embeddedness, and social influence: A large-scale networked experiment[J]. Management Science, 2014, 60(6): 1352-1370.