9.2: Ego Мережеві дані

Last updated
Save as PDF

Page ID: 67667

$ \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } $ $ \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} $$\newcommand{\id}{\mathrm{id}}$ $ \newcommand{\Span}{\mathrm{span}}$ $ \newcommand{\kernel}{\mathrm{null}\,}$ $ \newcommand{\range}{\mathrm{range}\,}$ $ \newcommand{\RealPart}{\mathrm{Re}}$ $ \newcommand{\ImaginaryPart}{\mathrm{Im}}$ $ \newcommand{\Argument}{\mathrm{Arg}}$ $ \newcommand{\norm}[1]{\| #1 \|}$ $ \newcommand{\inner}[2]{\langle #1, #2 \rangle}$ $ \newcommand{\Span}{\mathrm{span}}$ $\newcommand{\id}{\mathrm{id}}$ $ \newcommand{\Span}{\mathrm{span}}$ $ \newcommand{\kernel}{\mathrm{null}\,}$ $ \newcommand{\range}{\mathrm{range}\,}$ $ \newcommand{\RealPart}{\mathrm{Re}}$ $ \newcommand{\ImaginaryPart}{\mathrm{Im}}$ $ \newcommand{\Argument}{\mathrm{Arg}}$ $ \newcommand{\norm}[1]{\| #1 \|}$ $ \newcommand{\inner}[2]{\langle #1, #2 \rangle}$ $ \newcommand{\Span}{\mathrm{span}}$

Мережеві дані Его зазвичай виникають двома способами:

Опитування можуть бути використані для збору інформації в его мережах. Ми можемо попросити кожного суб'єкта дослідження визначити всіх суб'єктів, з якими вони мають зв'язок, і повідомити нам (як інформатору), які зв'язки між цими іншими суб'єктами. Крім того, ми могли б використовувати двоетапний метод сніжної кулі; спочатку попросіть его ідентифікувати інших, з якими его має зв'язок, а потім запитати кожного з тих, хто ідентифікований про їхні зв'язки з кожним з інших ідентифікованих.

Дані, зібрані таким чином, не можуть безпосередньо інформувати нас про загальну вбудованість мереж у населення, але це може дати нам інформацію про поширеність різних видів его мереж навіть у дуже великих популяціях. Коли дані збираються таким чином, ми, по суті, маємо структуру даних, яка складається з колекції мереж. Оскільки суб'єкти в кожній мережі, швидше за все, будуть різними людьми, мережі повинні розглядатися як окремі матриці, що зберігаються як різні набори даних (тобто не є гарною ідеєю «складати» кілька мереж в одному файлі даних, оскільки кілька матриць не представляють множинних відносин серед однойменного набору акторів).

Модифікація методу обстеження може породити мультиплексну структуру даних (тобто «стек» акторних матриць рівнорозмірності). Якщо ми попросимо кожного его охарактеризувати стосунки з мешканцями соціальних ролей (або конкретним мешканцем ролі), а також повідомити про стосунки між мешканцями цих ролей, ми можемо побудувати «відповідні» матриці для кожного его. Наприклад, припустимо, що ми запитали ряд его: «У вас є чоловік, смажений чи друзі у вашому класі?» , «У вас є подруга чи друзі у вашому класі?» , і «Ваші друзі-чоловіки друзі ваших подруг?» , отримані дані для кожного его мали б три вузли (у сенсі соціальних ролей, але не окремих осіб), вони могли б розглядатися як тип мультиплексних даних, про які ми обговоримо пізніше.

Другий основний спосіб виникнення мережевих даних его - це «витяг» їх із звичайних повних мережевих даних. Підхід Data>Extract може бути використаний для вибору одного актора та їх зв'язків, але не буде включати зв'язки серед «змін». Підхід Data>Subgraphs from partitions може бути використаний, якби ми раніше ідентифікували члени певного его-сусідства, і зберігали це як вектор атрибутів.

Найчастіше, однак, ми хотіли б витягти кілька, або навіть всі його мережі з повної мережі, щоб зберігатися як окремі файли. Для цього завдання ідеально підходить інструмент Data>Egonet. Ось приклад діалогового вікна використання інструмента:

$Ганнеман Скріншот 9-1.png$

Малюнок 9.1: Діалогове вікно для даних > Egonet

Тут ми зосереджуємось на кампаніях щодо виборчих пропозицій у Каліфорнії, які пов'язані спільними донорами (тобто CA_props - це матриця оцінювання пропозиції за пропозицією). Ми сказали, що ми хочемо витягти мережу, яка включає 3$^\text{rd}$, 11$^\text{th}$$^\text{th}$, 17 і 19$^\text{th}$ рядки/стовпці, і всі вузли, які підключені до будь-якого з цих акторів. Найчастіше ми можемо вибрати одне «его». Список фокальних вузлів можна надати або у вигляді файлу атрибутів, ввівши в список номерів рядків, або вибравши мітки вузлів потрібних акторів.

Зображення частини отриманих даних, збережених у вигляді нового файлу під назвою «Neighbor_example», показана на малюнку 9.2.

$Ганнеман Скріншот 9-2.png$

Малюнок 9.2: (Частковий) висновок даних > Egonet

Вилучення підграфів на основі фокусного актора або набору акторів (наприклад, «еліт») може бути дуже корисним способом перегляду частини цілої мережі або стану окремого актора. Інструмент Data>Egonet корисний для створення наборів даних, які добре підходять для побудови графіків та окремого аналізу, особливо коли мережі, в які вбудований фокусний актор/актори, досить великі.

Однак не потрібно створювати окремі набори даних мережі его для кожного суб'єкта, який підлягає аналізу. Підходи до аналізу, які ми розглянемо пізніше, генерують вихід для его-мережі першого порядку кожного вузла в наборі даних. Для невеликих наборів даних часто немає необхідності витягувати окремі його мережі.