本报告提出一个基于中国教育面板调查数据的三步实证框架,用神经网络预测班级好友关系,利用工具变量方法测算内生同伴效应,并通过遗传算法设计最优班级分配策略。研究显示提升优良学生的受欢迎度可优化整体成绩,但纯效率最大化策略会严重损害不利学生公平性,提出带公平约束的遗传算法取得较好权衡
Balancing Efficiency and Equity in Classroom Assignment under Endogenous Peer Effects
Lei Bill Wang, Zhenbang Jiao, Om Prakash Bedant, Haoran Wang
均来自美国俄亥俄州立大学,分别隶属于经济学系、统计学系和电子与计算机工程系
2025年6月5日
本报告聚焦于教育经济学领域,具体研究如何在学生的同伴效应(peer effects)及内生形成的友谊网络影响下,优化中学的班级学生分配,以在效率(促进学生成绩提升)和公平(避免弱势学生受损)之间寻求平衡。报告利用中国教育面板调查(CEPS)数据实证分析,并设计算法优化方案。
报告提出一套三步法实证框架:
核心结论强调,单纯效率导向的班级分配政策可能加剧教育不平等,建议政策设计纳入公平因素,兼顾内生溢出效应影响。
报告背景设定为中学校长需要基于学生初始信息(6年级成绩、性别等)安排班级。强调两大关键信念:
清晰梳理:
利用似然比检验比较班级内学生特征分布和学校整体特征分布,无显著偏离,支持随机分配假设。
六个子图分别对:6年级成绩排名、户籍类型、户籍所在地、性别、父亲受教育水平和民族进行检验,绝大多数统计量低于临界值。
保证IV方法中的排除性假设有力支撑。
图示PeerNN编码X至Ω,通过IV回归估计β,再由遗传算法寻找最优分配π。
清楚展示模型信息流及算法流程,体现多学科融合。
分别展现训练集与测试集中的两个班级。
红色深度表示同伴亲密度高。两块深色对角块验证显著性别同群效应。黑色竖条呈现“中心节点”现象(部分学生极获得同伴关注)。
直观体现PeerNN良好捕捉网络结构,符合社会网络规律。
多组不同同伴特质下的预测误差分布对比,小体积的violin图表明PeerNN在九成指标上显著优于传统模型,唯一“勤奋”指标表现不及,合理解释为自评与他评差异。
数据强烈支持PeerNN的预测优势。
展示基于标准GA和三档AFGA (ϕ=ρ=0.5,1,1.5)提升幅度的频率分布。
图中曲线左移趋势说明权重增加时,效率提升下降但公平性提高。
提供调节效率与公平平衡的重要工具。
Raw Q2显示存在两名差生严重拉低同伴效应(深色格),GA策略成功打散该不良朋友圈减少负效应,但同时出现极端暗格,表明某群体被“放弃”,承受极端负面影响。
AFGA则在保证整体同伴效应略提升的同时去除黑暗格,显著提升公平性。
Raw策略产生三峰分布,左侧极低峰由差生负效应导致。
GA策略削弱左峰,提升整体均值,但产生数个极左尾不平等极端值。
AFGA显著缩减极端左尾,成更平滑对称分布。
反映AFGA在兼顾公平基础上不牺牲效果的重要性。
本研究核心是估计同伴效应参数β,用以度量好友学业表现提升带来的认知成绩增益。
估值模型:
关键假设:
估值结果及政策含义:
综上,本报告通过创新模型与深度机器学习工具对同伴效应进行了精确估计,为科学分班和优化教育资源配置提供了数据支撑和估值方法。
报告详细讨论了以下风险与局限:
内生性问题:
学生个体未观测特征(如IQ、学习态度)可能同时影响友谊选择Ω和学业结果y,导致简单模型估计偏误。IV方法虽处理此风险,但对“非友谊途径的同伴影响”存在挑战。
相关机制混淆:
课堂竞争氛围、教师教学质量或课堂讨论水平等可能不通过Ω传播影响,形成潜在混淆。报告通过引入班级层面协变量(6年级各分位数排名、学生持续性指标)缓解此类影响,但多重控制引入多重共线性,影响估计显著性。
方案推广风险:
本模型需要大量学生预设特征及复杂算法支持,实际推广时可能受到数据缺失或计算复杂性的限制。
公平与效率权衡风险:
遗传算法若无公平考量,极端优化可能造成少数学生群体长期受损,激化教育不公平。
模型假设限定性:
PeerNN基于特定微观经济模型和机器学习假设,有可能忽略其他交互复杂性和动态性,可能导致误判友谊强度。
报告通过设计AFGA部分缓解了公平性风险,整体风险意识较强,但对非友谊相关的同伴影响措置仍存在一定不确定性。
友谊矩阵预测的独立性假设较强:PeerNN仅用学生个体特征预测友谊形成,不利用已有网络邻居信息,虽兼顾了反事实情景下的可行性,但可能缺少对动态社交依赖的建模,损失复杂交互信息。
因工具变量的排除假设受非标准机制影响:相关非友谊机制难以完全通过控制变量排除,其对同伴效应估计的潜在影响未完全量化,可能导致偏差。
遗传算法非全局最优:作为启发式算法,GA结果依赖于初始值及参数设置,可能存在局部最优局限。AFGA权重的选择较为主观,缺少自动调参指引。
公平度量方式单一:公平性通过对同伴效应标准差加权惩罚实现,但未涉及其他公平维度(如长远生涯机会),公平目标具局限。
现实推广障碍:高复杂度的算法对资源有限教育系统的实操难度较大,规模扩展性需考量。
总体上,报告谨慎合理,创新性强但部分方法细节及假设仍需扩展验证。
本报告提出并实证验证了一种结合深度学习与经济计量学的创新框架,用于优化存在内生友谊网络和差异性同伴效应的中学分班策略。报告创新点包括:
报告以CEPS数据深入支持验证,且系统展开了对随机性假设、同伴效应异质性以及方案公平性的严密检验。
图表分析清楚显示:
论文最后建议教育政策设计必须兼顾效率与公平,尤其在存在复杂内生同伴效应结构时,应把公平纳入目标函数,避免弱势群体被边缘化。
整体来看,报告以严谨的方法论体系贯穿理论创新、实证检验、政策模拟与风险控制,既凸显同伴网络效应提升教育质量的潜力,也提醒政策制定需平衡社会公平以实现共享发展。
PeerNN:神经网络模型,输入学生预设变量X,输出友谊强度矩阵Ω,Ωij表示学生i选择学生j为好友的概率。基于离散选择理论,利用Softmax归一化行。
线性均值模型(Linear-in-means):
yics=βW~ics+Xicsγ+θs+μcs+ϵics
其中W~ics为不加权同班同学6年级成绩均值。假设所有同学的同伴影响均等。
加权同伴模型:
yics=βΩ~ics+Xicsγ+θs+μcs+ϵics
其中Ω~ics=∑jΩijcszjcs,允许个体影响力异质,政策设计空间更大。
工具变量(IV)法:利用分班时同学未加权排名均值作为工具变量解决Ω内生性,通过两阶段回归实现因果识别。
遗传算法(GA):启发式组合优化算法,通过选择、变异、交叉迭代改进班级分配,实现目标函数(平均同伴效应)最大化。
算法公平遗传算法(AFGA):在GA基础上融入同伴效应标准差惩罚项,限制同伴效应分布波动,兼顾个体公平与整体效率。
本报告在教育经济学与机器学习交叉领域具有开创意义,为政府和学校优化班级分配策略提供科学依据。未来研究可聚焦扩展非友谊同伴效应机制,开发更丰富公平衡量指标,及探索大规模多班级场景下可行高效的优化算法。
2404.02497.pdf