主题：在多元空间社会网络中播种高效的大规模公共卫生干预 Seeding efficient large-scale public health interventions in diverse spatial-social networks
主讲人：厦门大学 韩晓祎副教授
主持人：hy5902海洋之神 许冰教授
时间：2023年6月8日（周四）下午2:30—4:00
地点：西南财经大学柳林校区格致楼1211会议室
主办单位：经济与管理研究院 科研处
主讲人简介
韩晓祎，副教授， 2014年获美国俄亥俄州立大学经济学博士，现为厦门大学王亚南经济研究院与经济学院长聘副教授、博士生导师，主要研究领域为计量经济学、应用计量经济学、区域经济学和劳动经济学。多篇论文发表在PNAS、Journal of Business & Economic Statistics、Econometric Theory和Regional Science and Urban Economics、《数量经济技术经济研究》等国内外权威学术期刊上。主持国家自然科学基金面上项目2项、青年项目1项，以及福建省自然科学基金杰青项目。
内容提要
大规模公共卫生干预的目标地点选择在于以下几个方面的复杂性：当这些干预措施在社交网络中产生同伴效应，并且健康结果通过空间网络产生溢出效应。为了解决这个问题，我们开发了一个具有内生形成方程的阈值空间动态面板数据（TSDPD）模型，用于描述卫生干预、跨区域和区域内流动对区域感染的时空演变以及多重干预对感染的影响。该模型通过两层空间社交网络实现溢出效应，一个内生的区域干预阈值通过区域内传播率的结构性突变确定，并且包括内生的区域内流动和跨区域流动网络。它推进了最近关于具有恒定系数的空间面板模型、具有外生阈值变量和共同未知阈值的阈值空间面板模型，以及具有单一且可能内生网络的社交互动模型的文献研究。我们开发了一个计算上可行的MCMC算法，用于估计和推断该模型。我们还展示了该模型如何应用于通过不同网络捕捉多个健康公共干预的影响，并比较不同播种策略的效率。
The selection of target locations for large-scale public health interventions is complex when the take-up of such interventions has peer effects through social networks and health outcomes have spillover effects through spatial networks. To address this issue, we develop a threshold spatial dynamic panel data (TSDPD) model with endogenous formation equations for health intervention, cross- and within-region mobility, to describe the spatial-temporal evolution of region infections and multiple intervention effects on infections. The model features spillovers through two layers of spatial-social networks, an endogenous region intervention threshold determined by a structural break in within-region transmissibility, and endogenous within-region flow, and the cross-region flow network. It advances the recent literature on spatial panel models with constant coefficients, the threshold spatial panel model with an exogenous threshold variable and a common unknown threshold, and the social interaction model with a single and possibly endogenous network. We develop a computationally tractable MCMC algorithm for estimation and inference of the model. We also show how the model can be applied to capture multiple health public intervention influences through different networks, and to compare the efficiency of different seeding strategies.
