guia pratico de redes sociais
TRANSCRIPT
UCINET 6
GUÍA PRÁCTICA DE REDES SOCIALES
DR. JOSEP A. RODRÍGUEZ DRA. FREDESVINDA MÉRIDA
Universitat de Barcelona
Departamento de Sociología y Análisis de las Organizaciones
Josep A. Rodríguez y Fredesvinda Mérida 2
ÍNDICE
TEMA PÁG.
Presentación de UCINET 6 2
Grabación de datos 3
Guardar los datos 5
Abrir una matriz de datos existente 6
Analizar matrices con Ucinet 6 7
1. PROPIEDADES DE LA RED 8
1.1 Densidad 8
2. COHESION 10
2.1 Distancia 10
2.2 Alcanzabilidad (Reachability) 11
3. CENTRALIDAD 12
3.1.Grado (Degree) 12
3.2 Cercanía (Closeness) 14
3.3 Intermediación (Betweenness) 15
3.4 Centralidad de flujo (Flow Betweenness) 16
3.5 Distancia geodésica ( Eigenvector) 17
3.6 Poder Bonacich (Bonacich power) 18
3.7 Centralidad Bonacich (Bonacich power) 20
4. SUB-GRUPOS 22
4.1 Cliqués 22
4.2 N-cliqués 24
4.3 Lambda Set 26
4.4 Facciones 28
4.5. Bloques y puntos de corte 29
5. ROLES Y POSICIONES SOCIALES 31
5.1 Equivalencia estructural 31
5.2 Equivalencia regular 33
6. GRÁFICOS 34
6. 1 GRÁFICOS CON PAJEK 34
Opciones más frecuentes para modificar sociogramas pajek 35
1. Modificar el sociograma 35
2. Modificar la presentación 36
3. Exportación en Bitmap 36
4. Abrir el sociograma en PAINT 37
6.2 GRÁFICOS CON MAGE 38
Modificar presentación 38
6.3 GRÁFICOS CON NETDRAW 39
Activar NetDraw 39
Modificar tamaño de líneas y colores 39
Análisis de la red 40
Componentes 40
Transformaciones 41
Guardar 41
Josep A. Rodríguez y Fredesvinda Mérida 3
UCINET 6
UCINET 6 es un programa integrado que trabaja con entorno Window, permite analizar matrices
sociales y visualizarlas, gracias a la incorporación de 3 programas de gráficos NetDraw, Pajek y
Mage.
NOTA: A diferencia de otros programas informáticos los ficheros grabados con formato UCINET
no se pueden abrir directamente. En todos los casos se han de abrir desde el programa activado.
ESTRUCTURA GENERAL DE UCINET 6
El programa trabaja con una barra de menú principal con formato Windows que contiene submenús:
FILA, DATA, TRANSFORM, TOOLS, NETWORK, DRAW, OPTIONS Y HELP.
Menú principal de UCINET 6
Cada submenú puede ser activado con el ratón cliqueando encima del submenú elegido. Para
moverse dentro del submenú también se hará con el ratón. Para salir del submenú cliquear el ratón
fuera del submenú que habíamos seleccionado.
A modo de ejemplo, se toma la base de datos correspondiente a las relaciones que se mantienen
entre 10 alumnos de una misma clase, recogidos en forma de matriz cuadrada (porque están los
mismos alumnos tanto en las filas como en las columnas) que recoge con datos binarios la relación
de ayuda que hay entre ellos (relación de ayuda=1; no relación de ayuda=0).
Josep A. Rodríguez y Fredesvinda Mérida 4
GRABACIÓN DE DATOS EN UCINET 6
Para grabar los datos de una matriz en UCINET 6 hay dos formas por las que se puede acceder:
1. Desde la barra de menús se activa DATA y se elige la opción SPREADSHEET EDITOR
2. Se posiciona el cursor sobre el símbolo de hoja de calculo y se cliquea para activarla
Josep A. Rodríguez y Fredesvinda Mérida 5
Con cualquiera de las opciones elegidas, para grabar los datos en la matriz, se rellenan cada una de
las celdas vacías. Incluso las etiquetas de las filas y las columnas.
Además el programa permite COPIAR de una hoja de cálculo de Excel los datos y PEGAR en la
hoja de UCINET 6 sin tener que exportar e importar. Una vez que están grabados los datos se
recomienda guardarlos.
Josep A. Rodríguez y Fredesvinda Mérida 6
GUARDAR DATOS UCINET 6
FILE: SAVE AS
GUARDAR COMO
Es recomendable que se utilicen nombres cortos.
Josep A. Rodríguez y Fredesvinda Mérida 7
ABRIR UNA MATRIZ DE DATOS EXISTENTE PARA MODIFICARLA
Unan matriz pregrabada se puede abrir directamente desde el menú principal de UCINET 6
FILE: OPEN
Una vez abierto se selecciona aquél archivo donde está la matriz que se desea abrir
Josep A. Rodríguez y Fredesvinda Mérida 8
ANALIZAR MATRICES CON UCINET 6
Las dimensiones e indicadores de análisis fundamentales de redes sociales son:
1. PROPIEDADES DE LA RED
1.1 Densidad
2. COHESIÓN
2.1 Distancia
2.2 Alcanzabilidad (Reachability)
3. CENTRALIDAD
3.1. Grado (Degree)
3.2 Cercanía (Closeness)
3.3 Intermediación (Betweenness)
3.4 Centralidad de flujo (Flow Betweenness)
3.5 Distancia geodésica ( Eigenvector)
3.6 Poder de Bonacich (Bonacich power)
3.7 Centralidad de Bonacich (Bonacich power)
4. SUB-GRUPOS
4.1 Cliqués
4.2 N-cliqués
4.3 Lambda Set
4.4 Facciones
4.5 Bloques y puntos de corte
5. ROLES Y POSICIONES SOCIALES
5.1 Equivalencia estructural
5.2 Equivalencia regular
Josep A. Rodríguez y Fredesvinda Mérida 9
1. PROPIEDADES DE LA RED
1.1 Densidad
La densidad mide la proporción de relaciones existentes sobre el total de relaciones posibles. Indica
la intensidad de las relaciones en el conjunto de la red.
NETWORK: NETWORK PROPERTIES: DENSITY
En la siguiente pantalla verifica que la matriz que se ha seleccionado y pregunta si en el análisis se
ha de tener en cuenta los valores de la diagonal de la matriz o si se han de ignorar.
Josep A. Rodríguez y Fredesvinda Mérida 10
FILE: SAVE AS: GUARDAR COMO
BLOCK DENSITIES OR AVERAGES
--------------------------------------------------------------------------------
Input dataset: A:\CLASE
Density / average value within blocks
1
------
1 0.1111
Standard De6ations within blocks
1
------
1 0.3143
Use MATRIX>TRANSFORM>DICHOTOMIZE procedure to get binary image matrix.
Density table(s) saved as dataset Density
Standard de6ations saved as dataset DensitySD
Actor-by-actor pre-image matrix saved as dataset DensityModel
----------------------------------------
Running time: 00:00:15
Output generated: 27 mar 03 19:10:43
Copyright (c) 1999-2000 Analytic Technologies
El resultado se interpreta en forma de porcentaje: “Density / average value within blocks”
La densidad media de la red es del 11, 11%
Josep A. Rodríguez y Fredesvinda Mérida 11
2. COHESIÓN
2.1 Distancia
La distancia nos indica el esfuerzo para que un actor alcance a otro. La distancia geodésica es el
número de relaciones en el camino más corto de un actor a otro.
La distancia geodésica más grande se llama ecentricidad (medida de lejanía de un actor a otro). El
diámetro de una red es la distancia geodésica más larga de la red.
NETWORK: COHESION: DISTANCE
DISTANCE
--------------------------------------------------------------------------------
Type of data: ADJACENCY
Nearness transform: NONE
Input dataset: A:\CLASE
For each pair of nodes, the algorithm finds the # of edges in the shortest path
between them.
Average distance (among reachable pairs) = 1.579
Geodesic Distances
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 0 1 1 2 2 1
2 Juan 0
3 Ana 1 0 2 3 1 2
4 Pedro 1 0
5 Marta 0 2 1
6 Josep 0
7 Mila 0
8 Pilar 1 1 2 3 0 2
9 Pio 0
10 Julio 1 0
El resultado es un valor (1.579) que indica la distancia media más corta que hay entre los
alumnos en el sistema de relaciones de ayuda.
Josep A. Rodríguez y Fredesvinda Mérida 12
2.2 Alcanzabilidad (reachability)
Un actor es alcanzable por otro si existe un conjunto de conexiones que van de uno a otro. Si hay
actores no conectados nos apuntan a una red des-estructurada, posibilidad de subgrupos.
NETWORK: COHESION: REACHABILITY
REACHABILITY
--------------------------------------------------------------------------------
Type of data: ADJACENCY
Input dataset: A:\CLASE
For each pair of nodes, the algorithm finds whether there exists a path of any
length that connects them.
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 0 0 1 0 0 1 1 1 0 1
2 Juan 0 0 0 0 0 0 0 0 0 0
3 Ana 1 0 0 0 0 1 1 1 0 1
4 Pedro 0 1 0 0 0 0 0 0 0 0
5 Marta 0 0 0 0 0 0 1 0 0 1
6 Josep 0 0 0 0 0 0 0 0 0 0
7 Mila 0 0 0 0 0 0 0 0 0 0
8 Pilar 1 0 1 0 0 1 1 0 0 1
9 Pio 0 0 0 0 0 0 0 0 0 0
10 Julio 0 0 0 0 0 0 1 0 0 0
----------------------------------------
Running time: 00:00:03
Output generated: 27 mar 03 19:35:09
Copyright (c) 1999-2000 Analytic Technologies
El resultado indica qué actores son alcanzables (directa e indirectamente) por otros en
terminos de ayuda.
Josep A. Rodríguez y Fredesvinda Mérida 13
3. CENTRALIDAD
La centralidad de la red estudia los actores más centrales, más prominentes, más poderosos y
prestigiosos. Se utilizan varios indicadores y cada uno de ellos aporta una información específica
sobre las dimensiones del prestigio y del poder. Las redes asimétricas utilizan los indicadores:
Outdegree e Indegree. Las redes simétricas utilizan el indicador: Grado que pone de manifiesta
las relaciones directas que tiene cada actor.
3.1. Grado (degree)
1.- Inicio de las relaciones: (Inicio de contacto) (Outdegree): Indica el número de
conexiones/relaciones directas iniciadas por cada actor. Refleja tanto la acti6dad social de cada
actor como su capacidad para acceder al resto de actores.
2.- Recepción de relaciones: (de contactos) (Indegree). Indica el número de actores que se
relacionan de forma directa (que contactan) a cada actor. Permite conocer a los actores más
prestigiosos o de referencia para el resto de la red. Posiblemente es el indicador ideal para el análisis
de prestigio y poder (a nivel local).
NETWORK: CENTRALIZATION: DEGREE
En esta figura debe tenerse en cuenta si la matriz es SIMÉTRICA o ASIMÉTRICA y seleccionar
la opción que proceda en cada caso.
Josep A. Rodríguez y Fredesvinda Mérida 14
RESULTADOS DE DEGREE (GRADO)
FREEMAN'S DEGREE CENTRALITY MEASURES
--------------------------------------------------------------------------------
Diagonal valid? NO
Model: ASYMMETRIC
Input dataset: A:\CLASE
1 2 3 4
OutDegree InDegree NrmOutDeg NrmInDeg
------------ ------------ ------------ ------------
1 Eva 3.000 2.000 33.333 22.222
8 Pilar 2.000 1.000 22.222 11.111
3 Ana 2.000 2.000 22.222 22.222
4 Pedro 1.000 0.000 11.111 0.000
5 Marta 1.000 0.000 11.111 0.000
10 Julio 1.000 2.000 11.111 22.222
7 Mila 0.000 1.000 0.000 11.111
2 Juan 0.000 1.000 0.000 11.111
9 Pio 0.000 0.000 0.000 0.000
6 Josep 0.000 1.000 0.000 11.111
DESCRIPTIVE STATISTICS
1 2 3 4
OutDegree InDegree NrmOutDeg NrmInDeg
------------ ------------ ------------ ------------
1 Mean 1.000 1.000 11.111 11.111
2 Std Dev 1.000 0.775 11.111 8.607
3 Sum 10.000 10.000 111.111 111.111
4 Variance 1.000 0.600 123.457 74.074
5 SSQ 20.000 16.000 2469.135 1975.308
6 MCSSQ 10.000 6.000 1234.568 740.741
7 Euc Norm 4.472 4.000 49.690 44.444
8 Minimum 0.000 0.000 0.000 0.000
9 Maximum 3.000 2.000 33.333 22.222
Network Centralization (Outdegree) = 24.691%
Network Centralization (Indegree) = 12.346%
NOTE: For valued data, both the normalized centrality and the centralization
index may be larger than 100%.
Actor-by-centrality matrix saved as dataset FreemanDegree
----------------------------------------
Running time: 00:00:02
Output generated: 27 mar 03 19:54:34
Copyright (c) 1999-2000 Analytic Technologies
Josep A. Rodríguez y Fredesvinda Mérida 15
3.2 Cercanía (Closeness)
La cercanía mide la distancia media de cada actor con respecto al resto de actores de la red. Los
indicadores mayores sugieren que hay una facilidad mayor de acceso al resto de los miembros de la
red. Una mayor capacidad de obtener y enviar información.
CLOSENESS CENTRALITY
--------------------------------------------------------------------------------
Input dataset: A:\CLASE
Method: Geodesic paths only (Freeman Closeness)
Output dataset: A:\Closeness
Closeness Centrality Measures
1 2 3 4
inFarness outFarness inCloseness outCloseness
------------ ------------ ------------ ------------
7 Mila 51.000 90.000 17.647 10.000
10 Julio 56.000 81.000 16.071 11.111
6 Josep 65.000 90.000 13.846 10.000
1 Eva 72.000 47.000 12.500 19.149
3 Ana 72.000 49.000 12.500 18.367
8 Pilar 73.000 49.000 12.329 18.367
2 Juan 81.000 90.000 11.111 10.000
4 Pedro 90.000 81.000 10.000 11.111
9 Pio 90.000 90.000 10.000 10.000
5 Marta 90.000 73.000 10.000 12.329
Statistics 1 2 3 4
inFarness outFarness inCloseness outCloseness
------------ ------------ ------------ ------------
1 Mean 74.000 74.000 12.600 13.043
2 Std Dev 13.266 17.612 2.483 3.728
3 Sum 740.000 740.000 126.005 130.435
4 Variance 176.000 310.200 6.167 13.899
5 SSQ 56520.000 57862.000 1649.381 1840.313
6 MCSSQ 1760.000 3102.000 61.667 138.994
7 Euc Norm 237.739 240.545 40.613 42.899
8 Minimum 51.000 47.000 10.000 10.000
9 Maximum 90.000 90.000 17.647 19.149
Network centralization not computed for unconnected graphs
Output actor-by-centrality measure matrix saved as dataset A:\Closeness
Josep A. Rodríguez y Fredesvinda Mérida 16
3.3 Intermediación (Betweenness)
Para cada actor nos indica en qué medida está en una posición intermediaria en las comunicaciones
geodésicas (es decir, más cortas) entre el resto de actores. Los actores con mayor intermediación
tienen un gran poder porque controlan los flujos de comunicación óptimos. Desde la barra de menú
principal se cliquean las siguientes opciones
NETWORK: CENTRALITY: BETWEENNESS: NODES
FREEMAN BETWEENNESS CENTRALITY
Input dataset: A:\CLASE
Important note: this routine binarizes but does NOT symmetrize.
Un-normalized centralization: 49.000
1 2
Betweenness nBetweenness
------------ ------------
1 Eva 6.000 8.333
2 Juan 0.000 0.000
3 Ana 1.000 1.389
4 Pedro 0.000 0.000
5 Marta 0.000 0.000
6 Josep 0.000 0.000
7 Mila 0.000 0.000
8 Pilar 0.000 0.000
9 Pio 0.000 0.000
10 Julio 4.000 5.556
DESCRIPTIVE STATISTICS FOR EACH MEASURE
1 2
Betweenness nBetweenness
------------ ------------
1 Mean 1.100 1.528
2 Std Dev 2.022 2.809
3 Sum 11.000 15.278
4 Variance 4.090 7.890
5 SSQ 53.000 102.238
6 MCSSQ 40.900 78.897
7 Euc Norm 7.280 10.111
8 Minimum 0.000 0.000
9 Maximum 6.000 8.333
Network Centralization Index = 7.56%
Josep A. Rodríguez y Fredesvinda Mérida 17
3.4 Centralidad de flujo (Flow Betweenness)
La centralidad de flujo indica la posición de intermediación que ocupa cada actor en todos los tipos
de contactos y comunicaciones que mantiene con otros actores. Calcula el flujo de intermediación
de la red en cada vértice para conocer los valores de centralidad de flujo que tiene toda la red.
Desde la barra de menú principal se cliquean las siguientes opciones
NETWORK: CENTRALITY: FLOW BETWEENNESS
FLOW BETWEENNESS CENTRALITY MEASURES
Input dataset: A:\CLASE
Dataset is not symmetric.
1 2
FlowBet nFlowBet
------------ ------------
1 Eva 2.000 2.778
2 Juan 0.000 0.000
3 Ana 1.500 2.083
4 Pedro 0.000 0.000
5 Marta 0.000 0.000
6 Josep 0.000 0.000
7 Mila 0.000 0.000
8 Pilar 0.500 0.694
9 Pio 0.000 0.000
10 Julio 1.000 1.389
Network Centralization Index = 2.315%
DESCRIPTIVE STATISTICS FOR EACH MEASURE
1 2
FlowBet nFlowBet
------------ ------------
1 Mean 0.500 0.694
2 Std Dev 0.707 0.982
3 Sum 5.000 6.944
4 Variance 0.500 0.965
5 SSQ 7.500 14.468
6 MCSSQ 5.000 9.645
7 Euc Norm 2.739 3.804
8 Minimum 0.000 0.000
9 Maximum 2.000 2.778
Josep A. Rodríguez y Fredesvinda Mérida 18
3.5 Distancia geodésica ( Eigenvector)
La Distancia geodésica nos permite identificar a los actores más centrales en términos de la
estructura global de la red. Se presta menos atención a la centralidad local. Puntuaciones más altas
indican una mayor centralidad global.
NETWORK: CENTRALITY: EIGENVECTOR
BONACICH CENTRALITY
Input dataset: A:\CLASE
WARNING: This version of the program cannot handle asymmetric data.
Matrix symmetrized by taking larger of Xij and Xji.
EIGENVALUES
FACTOR VALUE PERCENT CUM % RATIO
------- ------ ------- ------- -------
1: 2.431 48.1 48.1 1.832
2: 1.327 26.2 74.3 1.327
3: 1.000 19.8 94.0 3.321
4: 0.301 6.0 100.0
======= ====== ======= ======= =======
5.59 100.0
Bonacich Eigenvector Centralities
1 2
Eigenvec nEigenvec
--------- ---------
1 Eva 0.613 86.653
2 Juan 0.000 0.000
3 Ana 0.428 60.558
4 Pedro 0.000 0.000
5 Marta 0.157 22.166
6 Josep 0.252 35.646
7 Mila 0.157 22.166
8 Pilar 0.428 60.558
9 Pio 0.000 0.000
10 Julio 0.381 53.883
Descriptive Statistics
1 2
Eigenvec nEigenvec
--------- ---------
1 Mean 0.242 34.163
2 Std Dev 0.204 28.860
3 Sum 2.416 341.630
4 Variance 0.042 832.888
5 SSQ 1.000 20000.000
6 MCSSQ 0.416 8328.882
7 Euc Norm 1.000 141.421
8 Minimum 0.000 0.000
9 Maximum 0.613 86.653
10 N of Obs 10.000 10.000
Network centralization index = 87.48%
Josep A. Rodríguez y Fredesvinda Mérida 19
3.6 Poder de Bonacich (Bonacich power) – INDICADOR DE PODER
El Índice de poder de Bonacich plantea que la centralidad de cada actor está en función de: 1. La
cantidad de conexiones que tiene el actor. 2. Cuantas conexiones tienen los actores de su vecindario.
Cuantas menos conexiones tengan los actores de su vecindario, más poderoso será el actor A
Poder: Peso negativo a las conexiones con actores bien conectados y peso positivo a las
conexiones con actores conectados débilmente (Beta =-0,5).
NETWORK: CENTRALITY: POWER
DAR VALOR NEGATIVO A BETA
Josep A. Rodríguez y Fredesvinda Mérida 20
BONACICH POWER
--------------------------------------------------------------------------------
Beta parameter: -0.500000
Input dataset: A:\CLASE
WARNING: The data are not symmetric (nor does this program symmetrize them.
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 0 0 1 0 0 1 0 0 0 1
2 Juan 0 0 0 0 0 0 0 0 0 0
3 Ana 1 0 0 0 0 0 0 1 0 0
4 Pedro 0 1 0 0 0 0 0 0 0 0
5 Marta 0 0 0 0 0 0 0 0 0 1
6 Josep 0 0 0 0 0 0 0 0 0 0
7 Mila 0 0 0 0 0 0 0 0 0 0
8 Pilar 1 0 1 0 0 0 0 0 0 0
9 Pio 0 0 0 0 0 0 0 0 0 0
10 Julio 0 0 0 0 0 0 1 0 0 0
Actor Power
1
Power
------------
1 Eva 2.200
2 Juan -0.000
3 Ana 0.600
4 Pedro 1.000
5 Marta 0.500
6 Josep -0.000
7 Mila -0.000
8 Pilar 0.600
9 Pio 0.000
10 Julio 1.000
STATISTICS
1
Power
------------
1 Mean 0.590
2 Std Dev 0.658
3 Sum 5.900
4 Variance 0.433
5 SSQ 7.810
6 MCSSQ 4.329
7 Euc Norm 2.795
8 Minimum -0.000
9 Maximum 2.200
Output actor-by-centrality measure matrix saved as dataset BonacichPower
----------------------------------------
NOTA:
LOS VALORES DE PODER DE BONACICH SE INTERPRETAN SIN TENER EN CUENTA EL SIGNO.
Josep A. Rodríguez y Fredesvinda Mérida 21
3.7 Centralidad Bonacich (Bonacich power) - INDICADOR DE CENTRALIDAD
El Índice de poder de Bonacich plantea que la centralidad de cada actor está en función de: 1. La
cantidad de conexiones que tiene el actor. 2. Cuantas conexiones tienen los actores de su vecindario.
Cuantas más conexiones tengan los actores del vecindario de A, más central será A.
Centralidad: Peso positivo a las conexiones de los actores del vecindario. La centralidad depende
del grado de A y del grado de aquellos conectados a A (Beta = +0,5).
NETWORK: CENTRALITY: POWER
DAR VALOR POSITIVO A BETA
Josep A. Rodríguez y Fredesvinda Mérida 22
BONACICH POWER
--------------------------------------------------------------------------------
Beta parameter: 0.500000
Input dataset: A:\CLASE
WARNING: The data are not symmetric (nor does this program symmetrize them.
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 0 0 1 0 0 1 0 0 0 1
2 Juan 0 0 0 0 0 0 0 0 0 0
3 Ana 1 0 0 0 0 0 0 1 0 0
4 Pedro 0 1 0 0 0 0 0 0 0 0
5 Marta 0 0 0 0 0 0 0 0 0 1
6 Josep 0 0 0 0 0 0 0 0 0 0
7 Mila 0 0 0 0 0 0 0 0 0 0
8 Pilar 1 0 1 0 0 0 0 0 0 0
9 Pio 0 0 0 0 0 0 0 0 0 0
10 Julio 0 0 0 0 0 0 1 0 0 0
Actor Power
1
Power
------------
1 Eva 11.000
2 Juan -0.000
3 Ana 15.000
4 Pedro 1.000
5 Marta 1.500
6 Josep 0.000
7 Mila -0.000
8 Pilar 15.000
9 Pio -0.000
10 Julio 1.000
STATISTICS
1
Power
------------
1 Mean 4.450
2 Std Dev 6.142
3 Sum 44.500
4 Variance 37.722
5 SSQ 575.250
6 MCSSQ 377.225
7 Euc Norm 23.984
8 Minimum -0.000
9 Maximum 15.000
Output actor-by-centrality measure matrix saved as dataset BonacichPower
----------------------------------------
NOTA:
LOS VALORES DE CENTRALIDAD DE BONACICH SE INTERPRETAN SIN TENER EN CUENTA EL
SIGNO.
Josep A. Rodríguez y Fredesvinda Mérida 23
4. SUB-GRUPOS
El estudio de los sub-grupos o sub-estructuras de la red, permite analizar el comportamiento de la
red en su conjunto, en función de la posición de los actores en esas sub-estructuras.
4.1 Cliqués
El estudio de la cohesión de la red se realiza mediante el análisis de los cliqués como indicador del
centro neurálgico de la red. Es la estructura que está más fuertemente cohesionada. Se denomina la
columna vertebral de la red. Altos niveles de cohesión ponen de manifiesto espacios de alta
identificación y solidaridad entre los actores.
NETWORK: SUBGROUPS: CLIQUES
En la pantalla de cliqués es necesario indicar EL NÚMERO DE ACTORES que como mínimo ha
de componer cada cliqué. El programa por defecto presentará cliqués con 3 actores.
Josep A. Rodríguez y Fredesvinda Mérida 24
CLIQUES
--------------------------------------------------------------------------------
Minimum Set Size: 3
Input dataset: C:\Documents and Settings\ub194144\Mis
documentos\F MERIDA\Manual redes\CLASE
WARNING: Directed graph. Direction of arcs ignored.
1 cliques found: 1: Eva Ana Pilar
Actor-by-Actor Clique Co-Membership Matrix
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 1 0 1 0 0 0 0 1 0 0
2 Juan 0 0 0 0 0 0 0 0 0 0
3 Ana 1 0 1 0 0 0 0 1 0 0
4 Pedro 0 0 0 0 0 0 0 0 0 0
5 Marta 0 0 0 0 0 0 0 0 0 0
6 Josep 0 0 0 0 0 0 0 0 0 0
7 Mila 0 0 0 0 0 0 0 0 0 0
8 Pilar 1 0 1 0 0 0 0 1 0 0
9 Pio 0 0 0 0 0 0 0 0 0 0
10 Julio 0 0 0 0 0 0 0 0 0 0
HIERARCHICAL CLUSTERING OF EQUIVALENCE MATRIX
P M J P J
J e a o M i u
u d r s i E A l P l
a r t e l v n a i i
n o a p a a a r o o
1
Level 2 4 5 6 7 1 3 8 9 0
----- - - - - - - - - - -
1.000 . . . . . XXXXX . .
0.000 XXXXXXXXXXXXXXXXXXX
DIAGRAMA
Josep A. Rodríguez y Fredesvinda Mérida 25
4.2 N-cliqué
En muchos casos el concepto de cliqué puede ser demasiado restrictivo porque cada miembro debe
tener relación directa con cada uno de los otros miembros. N-cliqué es útil en situaciones en las que
algunos actores de un supuesto cliqué no están conectados a todos los demás. En este supuesto, N-
cliqué trabaja considerando que los actores del cliqué están conectados entre si a distancia mayor
de 1. Normalmente se utiliza la distancia 2 (por ejemplo, amigo de amigo).
NETWORK: SUBGROUPS: N-CLIQUES
En la pantalla de N-cliqués es necesario poner EL NÚMERO DE ACTORES que como mínimo
ha de componer cada N-cliqué (Minimum size) e indicar el valor de la distancia (Value of N:)
Josep A. Rodríguez y Fredesvinda Mérida 26
N-CLIQUES
--------------------------------------------------------------------------------
Max Distance (n-): 2
Minimum Set Size: 3
Input dataset: A:\CLASE
WARNING: Directed graph. Direction of arcs ignored.
10
2 2-cliques found. 1: Eva Ana Josep Pilar Julio
2: Eva Marta Mila Julio
1
1 2 3 4 5 6 7 8 9 0
E J A P M J M P P J
- - - - - - - - - -
1 Eva 2 0 1 0 1 1 1 1 0 2
2 Juan 0 0 0 0 0 0 0 0 0 0
3 Ana 1 0 1 0 0 1 0 1 0 1
4 Pedro 0 0 0 0 0 0 0 0 0 0
5 Marta 1 0 0 0 1 0 1 0 0 1
6 Josep 1 0 1 0 0 1 0 1 0 1
7 Mila 1 0 0 0 1 0 1 0 0 1
8 Pilar 1 0 1 0 0 1 0 1 0 1
9 Pio 0 0 0 0 0 0 0 0 0 0
10 Julio 2 0 1 0 1 1 1 1 0 2
HIERARCHICAL CLUSTERING OF EQUIVALENCE MATRIX
P J P M J
J e o i a M u
u d P A s l r i E l
a r i n e a t l v i
n o o a p r a a a o
1
Level 2 4 9 3 6 8 5 7 1 0
----- - - - - - - - - - -
2.000 . . . . . . . . XXX
1.000 . . . XXXXX XXXXXXX
0.667 . . . XXXXXXXXXXXXX
0.000 XXXXXXXXXXXXXXXXXXX
DIAGRAMA
Josep A. Rodríguez y Fredesvinda Mérida 27
4.3 Lambda Set
Lambda Set identifican los conjuntos de relaciones entre actores que si se desconectaran de la red
(eliminación de relaciones entre ellos) afectarían más al flujo de comunicación entre todos los
actores porque fragmentaria la red social.
NETWORK: SUBGROUPS: LAMBDA-SET
Josep A. Rodríguez y Fredesvinda Mérida 28
LAMBDA SETS
--------------------------------------------------------------------------------
Input dataset: A:\CLASE
WARNING: data symmetrized by taking larger of Xij, Xji.
HIERARCHICAL LAMBDA SET PARTITIONS
P M J P J
J e a o M i u
u d P r s i E l A l
a r i t e l v a n i
n o o a p a a r a o
1
Lambda 2 4 9 5 6 7 1 8 3 0
------ - - - - - - - - - -
2 . . . . . . XXXXX .
1 XXX . XXXXXXXXXXXXX
0 XXXXXXXXXXXXXXXXXXX
Maximum Flow Between Pairs of Nodes
2 4 9 5 6 7 1 8 3 10
Ju Pe Pi Ma Jo Mi Ev Pi An Ju
-- -- -- -- -- -- -- -- -- --
2 Juan 10 1 0 0 0 0 0 0 0 0
4 Pedro 1 10 0 0 0 0 0 0 0 0
9 Pio 0 0 10 0 0 0 0 0 0 0
5 Marta 0 0 0 10 1 1 1 1 1 1
6 Josep 0 0 0 1 10 1 1 1 1 1
7 Mila 0 0 0 1 1 10 1 1 1 1
1 Eva 0 0 0 1 1 1 10 2 2 1
8 Pilar 0 0 0 1 1 1 2 10 2 1
3 Ana 0 0 0 1 1 1 2 2 10 1
10 Julio 0 0 0 1 1 1 1 1 1 10
Al quitar las conexiones de Pilar y Ana se produciría la mayor desconexión.
Diagrama
Josep A. Rodríguez y Fredesvinda Mérida 29
4.4 Facciones
Partición de la red en grupos de actores en base a la similitud de los actores con los cuales están
ligados. Se maximizan las similitudes de las relaciones internas del grupo y se minimizan las
relaciones externas con otros grupos. En la segunda pantalla se ha de indicar el Número de bloques
que se desea y por defecto el programa partirá en 2 grupos.
FACTIONS
--------------------------------------------------------------------------------
Number of factions: 2
Input dataset: A:\CLASE
Group Assignments:
1: Eva Ana Josep Pilar Pio
2: Juan Pedro Marta Mila Julio
Grouped Adjacency Matrix
1
1 9 3 6 8 5 7 2 4 0
E P A J P M M J P J
-----------------------
1 Eva | 1 1 | 1 |
9 Pio | | |
3 Ana | 1 1 | |
6 Josep | | |
8 Pilar | 1 1 | |
-------------------------
5 Marta | | 1 |
7 Mila | | |
2 Juan | | |
4 Pedro | | 1 |
10 Julio | | 1 |
------------------------
Density Table
1 2
---- ----
1 0.30 0.04
2 0.00 0.15
Josep A. Rodríguez y Fredesvinda Mérida 30
4.5 Bloques y puntos de corte
Los puntos de corte son aquellos actores que en caso de ser eliminados la estructura se divide en
sistemas desconectados (o/y aumentarán el fraccionamiento de la red). Los grupos de actores en que
los puntos de corte dividen el gráfico se llaman bloques. La cantidad y el tamaño de los bloques nos
apuntan hacia su fragilidad. Los actores que están en dos o más de los posibles bloques, son los
puntos de corte.
REGIONS: BI-COMPONENT
BI-CONNECTED COMPONENTS (BLOCKS)
--------------------------------------------------------------------------------
Input dataset: C:\Documents and Settings\ub194144\Mis
documentos\F MERIDA\Manual redes\CLASE
Dataset symmetrized 6a maximum method.
6 blocks found.
Block 1: Eva Ana Pilar
Block 2: Eva Josep
Block 3: Marta Julio
Block 4: Mila Julio
Block 5: Eva Julio
Block 6: Juan Pedro
Articulation points (Puntos de corte)
1
CutPoint
--------
1 Eva 1
2 Juan 0
3 Ana 0
4 Pedro 0
5 Marta 0
6 Josep 0
7 Mila 0
8 Pilar 0
9 Pio 0
10 Julio 1
Josep A. Rodríguez y Fredesvinda Mérida 31
Visualización de los puntos de corte realizdo con el programa de gráficos NetDraw.
ANALYSIS: BLOCKS & CUTPOINTS
Josep A. Rodríguez y Fredesvinda Mérida 32
5. ROLES Y POSICIONES SOCIALES
El análisis estructural quiere definir posiciones sociales en términos de similitudes en las pautas de
relaciones entre los actores. La definición de un papel social o posición social, depende de sus
relaciones y no de los atributos de los actores.
5.1 Equivalencia estructural
La equivalencia estructural indica que dos o más actores siguen pautas idénticas de
comportamiento en sus relaciones con otros actores. Por consiguiente, son considerados sustituibles
y representan una posición social (o papel social).
NETWORK: ROLES&POSITIONS: STRUCTURAL: CONCOR
CONCOR: Correlaciona cada par de actores. Correlaciona las correlaciones una y otra vez hasta
que finalmente puede partir la matriz en el número de particiones que solicitamos. Se tiene que
indicar el número de particiones (2, 3, 4, etc.). Por defecto el programa parte en 2.
Josep A. Rodríguez y Fredesvinda Mérida 33
CONCOR
Diagonal: Treat as Missing Values
Max partitions: 2
Input dataset: A:\CLASE
Initial Correlation Matrix
1 2 3 4 5 6 7 8 9 10
Eva Juan Ana Pedro Marta Josep Mila Pilar Pio Julio
----- ----- ----- ----- ----- ----- ----- ----- ----- -----
1 Eva 1.00 -0.17 0.30 -0.17 0.38 0.00 -0.17 0.65 0.00 -0.22
2 Juan -0.17 1.00 -0.15 1.00 -0.07 -0.07 -0.07 -0.12 0.00 -0.12
3 Ana 0.30 -0.15 1.00 -0.15 -0.15 0.45 -0.15 0.68 0.00 0.09
4 Pedro -0.17 1.00 -0.15 1.00 -0.07 -0.07 -0.07 -0.12 0.00 -0.12
5 Marta 0.38 -0.07 -0.15 -0.07 1.00 -0.07 -0.07 -0.12 0.00 0.00
6 Josep 0.00 -0.07 0.45 -0.07 -0.07 1.00 -0.07 -0.12 0.00 0.54
7 Mila -0.17 -0.07 -0.15 -0.07 -0.07 -0.07 1.00 -0.12 0.00 0.00
8 Pilar 0.65 -0.12 0.68 -0.12 -0.12 -0.12 -0.12 1.00 0.00 -0.23
9 Pio 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00
10 Julio -0.22 -0.12 0.09 -0.12 0.00 0.54 0.00 -0.23 0.00 1.00
Relation 1 R-squared = 0.250
Blocked Matrix
Density Matrix
Matriz de Imagen
1
1 5 6 8 3 2 4 7 9 0
E M J P A J P M P J
---------------------------
1 Eva | | 1 1 | | 1 |
5 Marta | | | | 1 |
-----------------------------
6 Josep | | | | |
8 Pilar | 1 | 1 | | |
3 Ana | 1 | 1 | | |
-----------------------------
2 Juan | | | | |
4 Pedro | | | 1 | |
-----------------------------
7 Mila | | | | |
9 Pio | | | | |
10 Julio | | | | 1 |
----------------------------
1 2 3 4
----- ----- ----- -----
1 0.000 0.333 0.000 0.333
2 0.333 0.333 0.000 0.000
3 0.000 0.000 0.500 0.000
4 0.000 0.000 0.000 0.167
Densidad de la red 11,11%
1 2 3 4
----- ----- ----- -----
1 0 1 0 1
2 1 1 0 0
3 0 0 1 0
4 0 0 0 1
PARTITION DIAGRAM
M J P P J
a o i J e M u
E r s l A u d i P l
v t e a n a r l i i
a a p r a n o a o o
1
Level 1 5 6 8 3 2 4 7 9 0
----- - - - - - - - - - -
2 XXX XXXXX XXX XXXXX
1 XXXXXXXXX XXXXXXXXX
Josep A. Rodríguez y Fredesvinda Mérida 34
5.2 Equivalencia regular vía TABÚ SEARCH
La equivalencia regular indica que dos o más actores siguen pautas similares de comportamiento en
sus relaciones con otros actores. Lo esencial es que son relaciones similares porque se mantienen
con actores de otros sub-conjuntos de actores, que a su vez son equivalentes. La equivalencia
regular describe los papeles o posiciones sociales fundamentales de la estructura social.
NETWORK: ROLES&POSITIONS: MAXIMAL REGULAR: OPTIMIZATION
REGULAR BLOCKMODELS 6A TABU SEARCH
--------------------------------------------------------------------------------
Number of blocks: 2
Diagonal valid? NO
Iterations/series: 30
Penalty iterations: 25
Random # seed: 556
Input dataset: A:\CLASE
Block Assignments:
1: Eva Juan Ana Pedro Marta Josep Mila Pilar Julio
2: Pio
Blocked Adjacency Matrix
1
1 2 3 4 5 6 7 8 0 9
E J A P M J M P J P
-----------------------
1 Eva | 1 1 1 | |
2 Juan | | |
3 Ana | 1 1 | |
4 Pedro | 1 | |
5 Marta | 1 | |
6 Josep | | |
7 Mila | | |
8 Pilar | 1 1 | |
10 Julio | 1 | |
-------------------------
9 Pio | | |
------------------------
Josep A. Rodríguez y Fredesvinda Mérida 35
6. GRÁFICOS
UCINET 6 tiene integrado 3 programas de gráficos: PAJEK, MAGE y NETDRAW que permiten
visualizar las redes sociales de formas diferentes.
6.1 GRÁFICOS CON PAJEK
Se accede a PAJEK desde el menú principal. Seleccionar la matriz que se quiere visualizar.
Después de que el programa cargue la matriz se tiene que pedir que la represente mediante DRAW
DRAW
Josep A. Rodríguez y Fredesvinda Mérida 36
SOCIOGRAMA CON PAJEK
OPCIONES MÁS FRECUENTES PARA MODIFICAR SOCIOGRAMAS PAJEK
1. Modificar el sociograma con otra forma que nos permita mejorar la compresión:
LAYOUT: ENERGY: KAMADA KAWAIA: FREE
Josep A. Rodríguez y Fredesvinda Mérida 37
2. Modificar la presentación del sociograma: En el sub-menú OPTIONS se despliegan múltiples
opciones que nos permiten cambiar los colores de cada componentes, cambiar de tamaños, etiquetar
los vertices, etc… Permite una visualización diferente de la misma red social y facilita una mejor
comprensión.
3. Exportación del sociograma para guardarlo en Bitmap: En el sub_menú EXPORT se selecciona
la opción BITMAP. El formato Bitmap ocupa mucha memoria y se abre con el programa PAINT.
EXPORT: BITMAP
Josep A. Rodríguez y Fredesvinda Mérida 38
4. Abrir el sociograma. en PAINT: Desde la unidad del ordenador en la que esté guardado el
sociograma en formato Bitmap, se cliquea directamente el icono y se abrirá una pantalla de PAINT
con el sociograma. En esta pantalla nuevamente existe la posibilidad de modificar el sociograma y
guardar en los formatos *.jpg o *.gif que ocupan menos espacio.
Josep A. Rodríguez y Fredesvinda Mérida 39
6.2 GRÁFICOS CON MAGE
MAGE es un programa que permite hacer representaciones y visualizaciones dinámicas en 3D.
La primera imagen de la matriz aparece con fondo negro. Posicionando el cursor encima de alguno
de los actores se puede mover la imagen.
1. Para modificar el color de fondo u otras modificaciones se puede utilizar cualquiera de las
opciones del menú de DISPLAY o bien directamente desde las alternativas que se nos ofrece en la
derecha de la pantalla.
DISPLAY
Los sociogramas se GUARDAN COMO (*.kin).
Josep A. Rodríguez y Fredesvinda Mérida 40
6.3 GRÁFICOS CON NETDRAW
ACTIVAR NETDRAW
El menú principal de esta pantalla permite distintos procesamientos de la matriz con su
correspondiente resultado gráfico, como por ejemplo, modificar todos los tamaños y colores de las
líneas, vértices y flechas.
PROPERTIES: LINES: COLOR
Josep A. Rodríguez y Fredesvinda Mérida 41
NETDRAW también permite algunos procesamientos de análisis y visualizar los resultados. Una
opción es desplegar el menú de Analysis y otra es operar a través del menú de la derecha Relation.
ANALYSIS: SUBGROUPS: COMPONENTS
VISUALIZACIÓN DE COMPONENTS
Josep A. Rodríguez y Fredesvinda Mérida 42
Eliminación de uno/s actor/es (Nodes) o una/s relación/es entre actores (Ties).
TRANSFORMATION: NODES/TIES
Los sociograma NETDRAW se pueden GUARDAR COMO con el formato de Pajek y de Mage
FILE: SAVE DATA AS: PAJEK/MAGE