INTRODUCCI N A LOS MTODOS DEL ANLISIS DE REDES SOCIALES.

CAP TULO PRIMERO

Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html< [Fecha de consulta: Octubre de 2000]. La traduccin se ha realizado por bloques. En este documento se presenta el primer captulo, traducido por Maria ngela Petrizzo y revisado por Jos Luis Molina. Lazos y relaciones, datos de redes y datos reticulares son utilizados en la traduccin como expresiones equivalentes.

SOBRE ESTE LIBRO

Este libro introduce muchos de los enfoques del anlisis formal de las redes sociales, proporcionando breves referencias y ejemplos de la mayora de sus reas de desarrollo ms importantes. El texto se apoya en las obras de Freeman, Borgatti y Everett (los autores del programa UCINET). Los materiales y su organizacin, estn inspirados en el texto de Wasserman y Faust, y en un seminario de postgrado dirigido por el profesor Phillip Bonacich en la UCLA en 1998. Los errores y omisiones, por supuesto, son responsabilidad del autor.

TABLA DE CONTENIDOS
1. Los datos de las redes sociales. 2. Por qu mtodos formales? 3. Utilizando grficos para representar relaciones sociales. 4. Utilizando matrices para representar relaciones sociales. 5. Propiedades bsicas de las redes y los actores 6. Centralidad y poder. 7. Camarillas y subgrupos. 8. Posiciones en la red y roles sociales: el anlisis de la equivalencia. 9. Equivalencia estructural. 10. Equivalencia automrfica. 11. Equivalencia regular.
Bibliografa de trabajos relacionados con (o ejemplos de) mtodos de redes sociales.

CAP TULO I . LOS DATOS DE LAS REDES SOCIALES.

INTRODUCCI N: SON
SOCIALES? DIFERENTES LOS DATOS DE LAS REDES

De entrada, no hay nada inusual en los datos utilizados en el anlisis de redes sociales Es cierto que quienes trabajan con redes utilizan un lenguaje especializado para describir la estructura y los contenidos de los conjuntos de observaciones estudiados, pero los datos de redes tambin pueden describirse y entenderse utilizando las perspectivas y los conceptos propios de mtodos ms familiares como la investigacin sociolgica tradicional (cross-sectional survey research). Sin embargo, a menudo los datos que los investigadores en redes sociales estudian resultan muy distintos de la tradicional matriz rectangular tan familiar para los investigadores y el anlisis estadstico. Las diferencias son importantes porque nos llevan a observar los datos de una manera distinta y tambin a pensar de manera distinta-- sobre cmo aplicar los procedimientos estadsticos. Los datos sociolgicos convencionales estn compuestos por una matriz rectangular con mediciones. Las filas de la matriz son los casos, sujetos u observaciones. Las columnas son las puntuaciones (cuantitativas o cualitativas) de los atributos, variables o mediciones. Entonces, cada celda de la matriz describe la puntuacin de algn actor con respecto a algn atributo. En algunos casos, estas matrices pueden tener una tercera dimensin que representa los cuadros de observaciones de mltiples grupos.

Nombre Bob Carol Ted Alice

Sexo Hombre Mujer Hombre Mujer

Edad Grado de Inclusin 32 27 29 28 2 1 1 3

La estructura de datos fundamental es aquella que permite comparar qu tan parecidos o diferentes son los actores entre s en base a los atributos (comparando las filas). O quiz ms frecuentemente, examinemos qu tan parecidas o diferentes son las variables entre s (comparando las columnas). Los datos de la red (en su forma ms pura), constituyen una matriz cuadrada de mediciones. Las filas de la matriz son los casos, sujetos y observaciones. Las columnas son el mismo conjunto de casos, sujetos y observaciones all est la diferencia clave con los datos convencionales. En cada celda de la matriz se describe una relacin entre los actores.

Quin dice relacionarse con quin? Eleccin Informante Bob Carol Ted Alice Bob --1 0 1 Carol 0 --1 0 Ted 1 0 --0 Alice 1 1 1 ---

Podemos observar esta estructura de datos de la misma forma que los datos atributivos. Comparando las filas de la matriz, podemos observar qu actores se parecen a otros en la persona que han escogido. Mirando a las columnas, podemos ver quin es parecido a quin en trminos de haber sido escogido por los dems. Estas formas son muy tiles para observar los datos, puesto que sirven para ver aquellos actores que tienen posiciones similares en la red. Este es el primer punto importante del anlisis de redes: buscar qu actores est ubicados o insertados en la red. Pero a un analista de redes sociales tambin le gusta mirar la estructura de datos de una forma distinta: globalmente. El analista puede notar que en la matriz existen cantidades iguales de ceros y unos. Esto sugiere que hay una densidad moderada

de preferencias. Tambin puede comparar las celdas que estn por encima y por debajo de la diagonal para mirar si hay reciprocidad entre las opciones (por ejemplo: Bob escogi a Ted pero Ted escogi a Bob?). ste es el segundo punto

importante del anlisis de redes: buscar cmo la estructura de las opciones individuales se abstrae en patrones ms generales. Es posible pensar en los datos de la red social en los mismos trminos que los datos convencionales . Uno puede pensar que las filas son simplemente una lista de casos, y las columnas atributos de cada actor (por ejemplo, las relaciones con otros actores podran verse como atributos de cada actor). De hecho, muchas de las tcnicas utilizadas por los analistas de redes (como el clculo de correlaciones y distancias) se aplican exactamente de la misma forma en datos de red y en datos convencionales. Sin embargo, mientras pueden considerarse los datos de la red como una forma especial de datos convencionales (y de hecho lo son), los analistas de redes observan los datos de redes de forma diferente. Ms que pensar en cmo la relacin de un actor con los dems describe el atributo de su ego , los analistas de redes observan la estructura de conexiones en la que el actor se encuentra involucrado. Los actores se describen a travs de sus relaciones, no de sus atributos. Y las relaciones en s mismas son tan fundamentales como los actores que se conectan a travs de ellas. La mayor diferencia entre los datos convencionales y los reticulares, es que los datos convencionales se centran en actores y atributos mientras los datos de red se centran en actores y relaciones. La diferencia en el nfasis es muy importante para las opciones que el investigador debe tomar en el diseo de la investigacin, en el muestreo controlado, el desarrollo de mediciones y en el manejo de los datos resultantes. No se trata que las herramientas de investigacin sean distintas entre los analistas de redes y los cientficos sociales (a menudo no lo son). Se trata de que los propsitos especficos y el nfasis de la investigacin de redes sociales implican consideraciones diferentes. En este captulo, estudiaremos algunos de los temas que han surgen en el diseo, muestreo y medicin de redes sociales. Nuestra discusin se centrar en los dos aspectos de los datos de la red: los nodos (o actores) y las lneas (o relaciones). Trataremos de mostrar algunas de las formas en las que los datos de redes son similares o diferentes de los datos de actores y sus atributos ms familiares. Introduciremos algunos trminos nuevos que facilitan la descripcin de las caractersticas especiales de los datos reticulares. Finalmente, discutiremos con 6

brevedad cmo las diferencias entre los datos reticulares y los de actor-atributo son importantes en la aplicacin de las herramientas estadsticas.

NODOS
Los datos de red se definen por actores y por relaciones (o por nodos y por vnculos). La parte de los datos de la red correspondiente a nodos o actores debera ser bastante precisa. Otros enfoques empricos en ciencias sociales tambin trabajan en trminos de casos, sujetos o elementos representativos y semejanzas. Sin embargo, existe una diferencia en la mayora de los datos de redes de hecho se convierte en una gran diferencia y es la forma en la que los datos son recogidos comnmente y en la que son estudiadas las poblaciones y muestras. El anlisis de redes se centra en las relaciones entre los actores, y no en los actores individuales y sus atributos. Esto significa que los actores a menudo no son muestreados de forma independiente, como en muchos otros tipos de estudios (ms frecuentemente en encuestas). Supongamos que estudiamos los vnculos de amistad, por ejemplo. John ha sido escogido para estar en nuestra muestra. Cuando le preguntamos a l, John identifica siete amigos. Tambin necesitamos rastrear a cada uno de esos siete amigos, y preguntarles sobre sus vnculos de amistad. Los siete amigos estn en nuestra muestra en tanto que John lo est (y viceversa). Por tanto, los elementos de la muestra no son en absoluto independientes . Los nodos o actores incluidos en estudios que no son de redes, tienden a ser el resultado de un muestreo probabilstico independiente. Los estudios de redes intentan incluir todos los actores que se muestran en un lmite (que a menudo se muestra de forma natural). Con frecuencia los estudios de redes no utilizan muestras en absoluto, al menos en el sentido convencional. Al contrario, intentan incluir todos los actores en una poblacin o poblaciones determinada(s). Por supuesto, las poblaciones incluidas en un estudio de red pueden ser una muestra de un conjunto grande de poblaciones. Por ejemplo, cuando estudiamos los patrones de interaccin entre estudiantes en las clases, incluimos todos los nios que estn en el saln de clases (es decir, estudiamos la totalidad de la poblacin del aula). El aula en s misma, debe seleccionarse a travs de mtodos probabilsticos dentro de una poblacin de aulas (todas las de una escuela)

El uso de poblaciones completas como forma de seleccionar observaciones en muchos estudios de redes, hace que sea importante para el analista tener claros los lmites de cada poblacin que vaya a ser estudiada y la forma en la que se seleccionarn, de entre esa poblacin, las unidades individuales de observacin. El anlisis de redes frecuentemente implica diferentes niveles de anlisis, con actores agrupados en un nivel inferior (por ejemplo, la red puede describirse de forma anidada ).

POBLACIONES, MUESTRAS Y L MITES

Como hemos dicho, rara vez los analistas de redes sociales disean muestras. Muy a menudo, identifican una poblacin y dirigen un censo (por ejemplo, incluyen todos los elementos de la poblacin como unidades de observacin). Un analista puede examinar todos los sustantivos y objetos presentes en un texto, todas las personas en una fiesta de cumpleaos, todos los miembros de un grupo de parientes, de una organizacin, de un vecindario o una clase social (por ejemplo, los propietarios de tierras en una regin, o reino). Los mtodos de investigacin emprica a menudo utilizan un enfoque muy distinto para decidir qu nodos estudiar. Se hace una lista de todos los nodos (a veces estratificada o agrupada) y se seleccionan los elementos individuales por mtodos probabilsticos. La lgica del mtodo trata a cada individuo como una rplica separada, es decir, en cierto modo intercambiable con cualquier otro. Debido a que los mtodos de redes se centran en las relaciones entre los actores, stos no pueden ser muestreados independientemente para incluirlos como observaciones. Si un actor llega a ser seleccionado, han de incluirse todos los actores con los cuales ste tiene (o puede tener) relaciones. Como resultado, los enfoques de red intentan estudiar poblaciones totales a travs del censo, ms que a travs de la muestra (discutiremos brevemente algunas excepciones de esto en el apartado de muestreo de relaciones). Las poblaciones que los analistas de redes estudian son notablemente diversas. En un extremo, pueden constar de smbolos en textos o sonidos en pronunciaciones; en el otro, naciones en el mundo y sistemas de estados pueden constituir la lista de nodos. Quizs las mas comunes, por supuesto, son aquellas formadas por personas

individuales. En cada caso, sin embargo, los elementos de la poblacin a ser estudiada se definen a travs de algn lmite. Los lmites de las poblaciones estudiadas por los analistas de redes pueden ser, bsicamente, de dos tipos. El primero de ellos, probablemente el ms comn, es el que viene creado o impuesto por los propios actores. Todos los miembros de una aula, organizacin, club, vecindario o comunidad pueden constituir una poblacin de este tipo. Son esto grupos o redes articuladas de manera natural. Por tanto, los estudios de redes sociales trazan a menudo en cierto modo los lmites alrededor de una poblacin que se sabe, a priori, que es una red. Alternativamente, un analista de redes puede asumir un enfoque ms demogrfico o ecolgico para definir los lmites de la poblacin. Podemos disear observaciones contactando toda la gente que se encuentra en un rea espacial delimitada, o a quienes poseen un cierto rasgo (por ejemplo, tener un ingreso familiar de alrededor de un milln de dlares al ao). En este caso hay motivos para sospechar que la red existe, pero la entidad a ser estudiada es una agregacin abstracta impuesta por el investigador ms que un patrn de accin social institucionalizada que haya sido identificado y etiquetado por sus participantes. Los analistas de redes pueden expandir los lmites de sus estudios haciendo rplicas de las poblaciones. Ms que estudiar un vecindario, a menudo se estudian varios. Este tipo de diseo (que puede utilizar mtodos de muestreo para seleccionar las poblaciones), permite la replicacin y la verificacin de hiptesis a travs de la comparacin de poblaciones. Una segunda, y tambin muy importante forma en la que los estudios de redes expanden su mbito es a travs de la inclusin de mltiples niveles o modalidades de anlisis.

MODALIDADES Y NIVELES DE ANLISIS

El analista de redes tiende a ver a las personas inmersas en redes de relaciones directas con otras personas. A menudo, estas redes de relaciones interpersonales se convierten en hechos sociales y toman vida propia. Una familia, por ejemplo, es una red de relaciones cercanas entre un conjunto de personas. Pero esta red en particular, ha sido institucionalizada y ha recibido un nombre y una realidad ms all de los nodos que la componen. Los individuos en sus relaciones de trabajo pueden ser observados como inmersos en organizaciones; en sus relaciones de ocio pueden estar inmersos en asociaciones voluntarias. Los vecindarios, comunidades y aun las 9

sociedades son, con variedad de grados, entidades sociales en s mismas. Y, como entidades sociales, pueden formar lazos con los individuos inmersos con ellas y con otras entidades sociales. A menudo, los conjuntos de datos de redes describen los nodos y las relaciones entre stos para una sola poblacin delimitada. Si se estudian los patrones de amistad entre los estudiantes en una aula, estaramos haciendo un estudio de este tipo. Pero un aula est dentro de una escuela que puede ser vista como una red de clases relacionadas entre s y otros actores (directores, administradores, bibliotecarios, etctera). Y estas escuelas existen en distritos escolares, los cuales pueden verse a su vez como redes de escuelas y otros actores (comits escolares, grupos de investigacin, departamentos de personal y adquisiciones). Puede incluso, haber patrones de relaciones entre los distritos escolares (a travs de intercambio de escolares, profesores, materiales curriculares, etctera). La mayor parte de quienes trabajan con redes ven a las personas como enlazadas a redes, que estn enlazadas a redes que a su vez estn tambin enlazadas a redes. Describen tales estructuras como multimodales . En nuestra escuela del ejemplo, los estudiantes individuales y los profesores forman un modo, las aulas de clases otro modo, las escuelas un tercer modo, y as sucesivamente. Un conjunto de datos que contiene informacin sobre dos tipos de entidades sociales (por ejemplo personas y organizaciones) es una red de dos modos. Por supuesto, este tipo de perspectiva de la naturaleza de las estructuras sociales no es nica de los investigadores de redes. El anlisis estadstico se ocupa de los mismo temas en sus diseos jerrquicos o anidados. Los tericos hablan de los niveles macro-meso-micro de anlisis, o desarrollan esquemas para identificar diferentes niveles de anlisis (el mas usual en sociologa es individual, grupal, organizacional, comunitario, institucional, social y orden global). Una ventaja de la perspectiva de redes es que de una forma natural predispone al analista a focalizar en mltiples niveles de anlisis simultneamente. Esto es, el analista de redes est siempre interesado en cmo el individuo est integrado en una estructura y cmo la estructura emerge de las micro relaciones entre partes individuales. La habilidad de los mtodos de redes para representar tal relacin multimodal es, al menos potencialmente, un paso adelante en el rigor del anlisis. Habiendo afirmado que los mtodos de redes sociales son particularmente adecuados para trabajar con mltiples niveles de anlisis y estructuras de datos multimodales, 10

debe admitirse que los analistas de redes rara vez aprovechan esta caracterstica. La mayora de los anlisis de red no se mueven ms all del simple micro o macro reduccionismo y es correcto. Pocos anlisis en todo caso de redes han intentado trabajar con ms de dos modos simultneamente. Y, an cuando ha sido as, la estrategia ms comn ha sido examinarlos de forma ms o menos separada (una excepcin es el anlisis conjunto de redes de dos modos)

RELACIONES
La otra parte de la investigacin de datos reticulares tiene que ver con qu lazos o relaciones sern medidas en los nodos seleccionados. En este punto hay dos temas importantes que discutir. En muchos estudios de redes se estudian todos los lazos, o un tipo especfico entre todos los nodos seleccionados es decir, se realiza un censo. Pero, a veces se utilizan diferentes enfoques (porque son menos costosos o porque es necesario generalizar), es decir, un muestreo de relaciones. A veces en los datos de la red tambin hay otro tipo de muestreo de relaciones. Cualquier conjunto de actores puede estar conectado con diferentes tipos de lazos y relaciones (por ejemplo, los estudiantes en un aula de clases pueden gustar o no de los dems, pueden o no jugar juntos, pueden o no compartir la misma comida, etctera). Cuando se recogen los datos de la red, con frecuencia se seleccionan, o muestrean, los tipos de relaciones que sern medidos entre un conjunto de tipos de relaciones.

MUESTREO DE RELACIONES Dado un conjunto de actores o nodos, hay algunas estrategias para decidir cmo actuar en la recoleccin de medidas de las relaciones existentes. Al final de la gama de enfoques, se encuentran los mtodos de redes completas . Este enfoque aporta el mximo de informacin, pero tambin es costoso y difcil de utilizar y puede ser de difcil generalizacin. En el otro extremo se encuentran mtodos muy parecidos a los utilizados en la investigacin emprica convencional. Estos enfoques aportan considerablemente menos informacin sobre la estructura de la red, pero a menudo son menos costosos y tambin facilitan la generalizacin desde las observaciones en la muestra hacia el total de la poblacin. Sin embargo, no existe un mtodo correcto para todos los problemas y preguntas de investigacin.

11

Los Mtodos de redes completas requieren que se recoja informacin acerca de los lazos de cada actor con los dems. En esencia, este enfoque utiliza un censo de los lazos en una poblacin de actores ms que un muestreo de stos. Por ejemplo, podemos recoger datos sobre el comercio de cobre entre pares de naciones-Estado en el sistema mundial, tomndolos de los datos del FMI; podemos examinar las juntas directivas de todas las corporaciones pblicas superponiendo a los directivos; podemos examinar el nmero de vehculos que transitan entre pares de ciudades; podemos mirar el flujo de correos electrnicos entre todos las pares de empleados de una compaa; podemos decirle a cada nio en un grupo de juegos que identifique a sus amigos entre los dems. Ya que recolectamos informacin sobre lazos entre pares o dadas, los datos de redes completas aportan una fotografa completa de las relaciones en la poblacin. La mayora de los enfoques y mtodos especiales de anlisis de redes que discutiremos a lo largo de este texto, fueron desarrollados para utilizarse con datos de redes completas. Los datos de estas redes son necesarios para definirla apropiadamente y para medir muchos de los conceptos estructurales del anlisis de red (por ejemplo el grado de intermediacin) Los datos de redes completas nos conducen a descripciones muy potentes y a anlisis de estructuras sociales. Desafortunadamente, pueden tambin ser muy costosos y difciles de obtener. Obtener datos de cada miembro de una poblacin y tener cada rango o ndice de cada uno de los dems, pueden ser tareas desafiantes para cualquier grupo, excepto para los pequeos. La labor se hace ms manejable pidiendo a informantes que identifiquen un nmero limitado de individuos especficos con los cuales stos tienen relaciones. Entonces, estas listas se compilan e interconectan. Pero, para grupos grandes (por ejemplo, todas las personas de una ciudad) la labor es prcticamente imposible. En muchos casos, los problemas no son tan graves como puede pensarse. La mayora de las personas, grupos y organizaciones, tienden a tener un nmero limitado de lazos o al menos un nmero limitado de lazos fuertes. Esto probablemente se deba a que los actores sociales tienen recursos limitados, energa, tiempo y capacidad cognitiva y no pueden mantener un gran nmero de lazos fuertes. Tambin es cierto que las estructuras sociales pueden desarrollar un grado considerable de orden y solidaridad con relativamente pocas conexiones.

12

Los mtodos de bola de nieve comienzan focalizando un actor o conjunto de actores, a cada uno de los cuales se les pregunta por algunos de sus lazos con otros actores. Entonces, se toman todos los actores mencionados (que no sean parte de la lista original) y se les pregunta de nuevo por algunos de sus lazos. El proceso contina hasta que no se identifiquen nuevos actores o hasta que se decida detenerlo (a menudo por motivos de tiempo y recursos, o porque los nuevos actores identificados son muy marginales con respecto del grupo que se intenta estudiar). El mtodo de bola de nueve puede ser muy til para el seguimiento de poblaciones especiales (a menudo subconjuntos de gente numricamente pequeos, mezclados con otros ms grandes). Las redes de contactos de negocios, lites de la comunidad, subculturas desviadas, filatlicos vidos, redes de parentesco y muchas otras estructuras pueden ser efectivamente ubicadas y descritas a travs de mtodos de bola de nieve. A veces no es difcil alcanzar la completitud en muestreos de bola de nieve. Las limitaciones en los nmeros de lazos fuertes que tienen la mayora de los actores, y la tendencia de los lazos a ser recprocos, a menudo facilitan la bsqueda de lmites. Hay dos grandes restricciones y debilidades potenciales de los mtodos de bola de nieve. En primer lugar, los actores que no estn conectados (es decir, aislados ) no se pueden describir a travs de este mtodo. Su presencia y cantidad, puede ser una caracterstica muy importante de las poblaciones para algunos propsitos analticos. El mtodo de bola de nieve tiende a exagerar la conectividad y solidaridad de las poblaciones de actores. En segundo lugar, no hay ninguna forma garantizada de encontrar todos los individuos conectados dentro de la poblacin. Dnde echar a rodar la bola de nieve? Si comenzamos en el lugar o lugares equivocado(s), podemos perder todo los subconjuntos de actores que se encuentran conectados pero no anexionados a nuestros puntos de partida. Los enfoques de bola de nieve pueden reforzarse pensando con cuidado cmo seleccionar los nodos iniciales. En muchos estudios puede haber un punto de partida natural. En estudios sobre el poder en comunidades, por ejemplo, es comn comenzar con los jefes ejecutivos de las organizaciones econmicas, culturales y polticas ms grandes. Mientras este enfoque no pretenda considerar la mayor parte de la comunidad (aquellos individuos que estn aislados de la lite de la red), el enfoque identificar probablemente la lite social con bastante eficiencia.

13

Redes ego-cntricas (con conexiones a otros) . En muchos casos no ser posible (o necesario) trazar la totalidad de las redes comenzando con nodos focales (como en el mtodo de bola de nieve). Un enfoque alternativo es comenzar con una seleccin de nodos focales (egos), e identificar los nodos con los que ellos estn conectados. Entonces determinamos cules de los nodos identificados en la primera fase estn conectados con los dems. Esto puede hacerse contactando cada uno de los nodos; a veces podemos pedir a ego que nos informe qu nodos con los que est conectado tienen lazos con otros. Este tipo de enfoque puede resultar muy efectivo para obtener un formulario de datos relacionales de poblaciones grandes y puede combinarse con enfoques basados en los atributos. Por ejemplo, podemos tomar una muestra simple aleatoria de estudiantes universitarios varones, y pedirles que identifiquen a sus amigos ms cercanos y cules de stos conocen a otros. Este tipo de enfoque puede darnos una imagen buena y fiable de los tipos de redes (o al menos de los vecindarios locales) en los cuales se encuentra insertos los individuos. Podemos obtener resultados tales como cuntos nodos de conexiones tienen y hasta qu puntos esos nodos forman ncleos fuertes. Tales datos pueden ser muy tiles para entender las oportunidades y restricciones que tienen los individuos, como resultado de la forma en la que estn insertos en sus redes. El enfoque egocntrico con conexiones a otros tambin puede aportar alguna informacin sobre la red en su totalidad, vista no ya con un enfoque de censo o de bola de nieve. Tales datos son, de hecho, conjuntos de datos de micro redes muestreos de reas locales de redes grandes. Muchas propiedades de red distancia, centralidad y varios tipos de equivalencia posicional-- no pueden evaluarse con datos egocntricos. Sin embargo, algunas propiedades tales como la densidad de toda la red pueden estimarse de razonablemente con datos egocntricos, mientras que otras, como la prominencia de lazos recprocos, las camarillas y otras similares pueden ser estimadas bastante directamente. Redes Ego-cntricas (slo individuos) Los mtodos egocntricos realmente se centran en el individuo ms que en la red como un todo. Recolectando informacin de los vnculos entre los actores conectados con cada individuo, podemos incluso hacer una buena fotografa de las redes locales o vecindarios de individuos. Esa informacin es muy til para entender cmo las

14

redes afectan a los individuos, y ellos tambin proporcionan una fotografa (incompleta) del entramado de la red como un todo. Supongamos, sin embargo, que obtenemos informacin de los vnculos del individuo con los otros, pero no sobre las conexiones entre esos otros individuos. Datos de este tipo no constituyen realmente datos de una red como tal. Es decir, no pueden representarse como una matriz cuadrada de lazos actor * actor. Pero no significa que los datos egocntricos sin conexiones entre los otros no sirvan para que los analistas utilicen un enfoque estructural o de red para entender a los actores. Podemos saber, por ejemplo, que algunos actores tienen muchos amigos muy cercanos y parientes y que otros tienen pocos. Sabiendo esto, podemos entender algo acerca de las diferencias en la localizacin de los actores en la estructura social, y hacer algunas predicciones sobre cmo esos puestos limitan su comportamiento. Lo que no podemos saber con ninguna certeza, partiendo de datos egocntricos, es la naturaleza de la estructura marco de la red en su totalidad. En redes egocntricas, los individuos identificados y conectados con cada ego probablemente son un conjunto que no est conectado con aquellos que si lo estn a otros egos. Mientras no podamos valorar la densidad total de la conectividad de la poblacin, debemos movernos en un mbito muy general. Si tenemos alguna razn buena razn terica para pensar acerca de los otros en trminos de sus roles sociales, ms que como ocupantes individuales de tales roles, las redes egocntricas pueden decirnos mucho acerca de las estructuras sociales. Por ejemplo, si identificamos cada uno de los otros conectados a un ego a travs de una relacin de amistad como pariente , compaero de trabajo , miembro de la misma iglesia , etctera, podemos construir una fotografa de las redes de las posiciones sociales (ms que las redes de individuos) en las cuales se encuentran inmersos los egos. Tal enfoque, por supuesto, asume que categoras como pariente son reales e importantes para los patrones de interaccin.

RELACIONES MLTIPLES
En un conjunto de datos convencional del tipo actor * atributo, cada actor es descrito a travs de muchas variables (y cada variable es atribuida a varios actores). En el tipo ms comn de conjunto de datos de redes sociales sobre actor * relacin, slo se describe un tipo de relacin. En tanto estemos interesados en mltiples atributos de

15

los actores, estaremos interesados en mltiples tipos de relaciones que conectan a stos en la red. Observando la red de relaciones en un departamento acadmico de una Facultad, por ejemplo, estaremos interesados en qu profesores tienen estudiantes en comn, prestan servicios a los mismos comits, son amigos fuera del lugar de trabajo, tienen una o ms reas de especializacin en comn y son coautores de artculos. Las posiciones que tienen los actores en la red de afiliaciones de grupos tienen mltiples facetas. Las posiciones en un conjunto de relaciones pueden reforzar o contradecir las posiciones en otro (uno puede compartir lazos de amistad con un conjunto de personas con los cuales no se trabaja en comits, por ejemplo). Los actores pueden estar enlazados a otros de forma cercana en una red relacional, pero pueden estar muy distantes de otros en una red relacional diferente. Las ubicaciones de los actores en redes multirelacionales y la estructura de redes compuestas de mltiples relaciones, son unas de las reas ms interesantes y an relativamente poco exploradas, del anlisis social . Cuando recolectamos datos de redes sociales acerca de ciertos tipos de relaciones entre actores, estamos, en cierto modo, haciendo un muestreo de una poblacin de relaciones posibles. A menudo, nuestra teora y la pregunta de investigacin, indican qu tipo de relaciones entre los actores consideramos ms importantes para el estudio. En este caso no se hace un muestreo de relaciones, sino una seleccin de stas. En un estudio vinculando la dependencia y el crecimiento econmicos, por ejemplo, se podran recoger datos sobre el intercambio de espectculos de msicos entre naciones --aunque probablemente estos datos no sean los ms relevantes. Si no sabemos qu relaciones estudiar, cmo podemos decidirnos? Existen algunos enfoques conceptuales que pueden ayudarnos. La teora de sistemas, por ejemplo, sugiere dos dominios el material y el informacional. Las cosas materiales se mantienen , en el sentido en que slo pueden ubicarse en un nodo de la red cada vez. Los movimientos de personas entre organizaciones, intercambio de dinero entre particulares, de automviles entre ciudades y otros similares, son ejemplos de cosas materiales que se mueven entre nodos y, por ello, establecen una red de relaciones materiales. Lo informacional, para los tericos de sistemas no se mantiene , en tanto que puede estar en ms de un lugar al mismo tiempo. Si yo s algo y lo comparto contigo, ambos lo sabremos. En cierto sentido, el hecho de compartir informacin puede ser utilizado para establecer lazos entre dos 16

nodos. Sin embargo, hay que tener la precaucin de no confundir la simple posesin de un atributo comn (por ejemplo el gnero) con la presencia de un lazo (por ejemplo el intercambio de puntos de vistas entre dos personas acerca de temas de gnero). Las metodologas para trabajar con datos multirelacionales no estn tan desarrolladas como aquellas que trabajan con relaciones simples. Muchas reas de trabajo interesantes tal como la correlacin de redes, escalado y agrupacin multidimensional, y lgebra de roles se han desarrollado para trabajar con datos multirelacionales. La mayor parte de estas temticas estn ms all del espacio cubierto por este texto y es mejor abordarlos una vez se ha desarrollado el anlisis bsico de redes de relaciones simples.

ESCALAS DE MEDIDA
Como otros tipos de datos, tambin la informacin que se recoge sobre los lazos entre los actores puede ser medida en diferentes niveles de medicin (podemos por ejemplo asignar puntuaciones a nuestras observaciones). Los diferentes niveles de medicin son importantes, ya que limitan los tipos de preguntas que el investigador puede plantearse. Las escalas de medida tambin son importantes ya que cada tipo de escala tiene diferentes propiedades matemticas y exige la utilizacin de algoritmos diferentes para describir patrones y ensayar inferencias sobre ellos. Generalmente se distingue tres tipos de niveles de medicin: nominal, ordinal y de intervalo (el nivel de razn puede, para cualquier propsito prctico, ser agrupado en la categora intervalo). Es til, sin embargo, dividir la medida nominal en variaciones binarias y de categora mltiple; tambin es til distinguir entre medidas ordinales de rango completo y medidas ordinales agrupadas. Describiremos brevemente estas variaciones y presentaremos ejemplos de cmo pueden aplicarse en estudios de redes sociales. Medidas binarias de relaciones. En la mayora de ocasiones para asignar nmeros a relaciones es fcil distinguir entre relaciones ausentes (codificadas con un cero) y lazos que estn presentes (codificados con un uno). Si le pedimos a informantes en una encuesta que comenten con cules de estas otras personas de la lista simpatiza? , estaremos haciendo una medicin binaria. Cada persona seleccionada de la lista ser codificada con uno. Los no seleccionados estarn codificados con cero.

17

La mayor parte del desarrollo de la teora de grafos en matemticas y muchos algoritmos para la medicin de propiedades de actores y redes, han sido desarrollados a travs de datos binarios. Los datos binarios son ampliamente utilizados en anlisis de redes, as que no es poco frecuente encontrar datos medidos en el nivel ms alto transformados en puntuaciones binarias antes de proceder al anlisis. Para hacer esto, uno simplemente selecciona algn punto de corte y vuelve a recodificar los casos por debajo de ese punto (con cero) o por encima de l (con uno). Los datos binarios implican desperdicio de informacin. El analista necesita considerar qu es relevante (por ejemplo a qu se refiere la hiptesis? se refiere a la presencia de estructuras de relaciones, o a la fortaleza de stos?), y qu algoritmos deben aplicarse para decidir si es razonable recodificar los datos. Muy a menudo, el poder y simplicidad del anlisis de datos binarios compensa la prdida de informacin. Medidas nominales de categora mltiple de las relaciones En la recoleccin de datos podemos pedir a nuestros informantes que miren una lista de individuos y nos digan: para cada persona en la lista, qu categora que describe mejor su relacin con ella: amistad, amor, relacin de negocios, parentesco o ninguna relacin . Debemos puntuar cada persona en la lista segn tenga una relacin de tipo 1 , 2 etctera. Este tipo de escala es nominal o cualitativa cada relacin de la persona hacia el sujeto es codificada por su tipo, ms que por su fortaleza. A diferencia de los datos binarios nominales (verdadero falso), la medida nominal de categora mltiple es una seleccin mltiple. El enfoque ms comn para analizar medidas nominales de categoras mltiples, es utilizarlo para crear series de medidas binarias. Es decir, podemos tomar los datos a partir de la pregunta anterior y crear conjuntos separados de puntuaciones por lazos de amistad, por lazos sentimentales, por lazos de parentesco, etctera. Esto se parece mucho a una codificacin simulada , como una forma de manejar muchos tipos de medidas de seleccin mltiple en anlisis estadstico. Al examinar los datos resultantes, sin embargo, puede recordarse que, en la mayora de las redes resultantes, a cada nodo se le permite un solo tipo de relacin. Es decir, una persona puede tener un lazo de amistad o uno sentimental pero no ambos- como resultado de la forma en que hemos realizado la pregunta. Examinando las redes resultantes, las densidades pueden bajar artificialmente, y existir una inherente correlacin negativa entre las matrices. Medidas ordinales agrupadas de relaciones: Una de las primeras tradiciones en el estudio de redes sociales interroga a los informantes sobre el ndice en que otros les 18

 agradan , desagradan o les son indiferentes . El resultado es una escala ordinal agrupada (por ejemplo, puede haber ms de una persona que agrade y las categoras reflejan una lnea importante en el orden de intensidad). A menudo, este tipo de escala de tres puntos ha sido codificada: -1, 0 y +1, para reflejar el agrado negativo, indiferencia y agrado positivo. Cuando se punta de esta forma, los signos positivos y negativos, hacen ms fcil escribir algoritmos que tendrn en cuenta y describirn diferentes propiedades de la red (por ejemplo el equilibrio estructural del grafo). Las medidas ordinales agrupadas pueden utilizarse para reflejar una gran cantidad de diferentes aspectos cuantitativos de las relaciones. Los analistas de redes a menudo estn involucrados en la descripcin de la fuerza de los lazos. Pero fuerza puede significar muchas tipos de cosas diferentes. Una dimensin es la frecuencia de la interaccin - los actores tienen contacto diariamente, semanalmente, mensualmente, etctera. Otra dimensin es la intensidad , lo cual a menudo refleja el grado de implicacin emocional asociado con la relacin (por ejemplo, los lazos de parentesco pueden ser infrecuentes, pero implican una carga emocional debido a la expectativas altamente ritualizadas e institucionalizadas). Las relaciones pueden ser ms fuertes si involucran muchos contextos diferentes o tipos de lazos. Totalizando los datos nominales en funcin la presencia o ausencia de mltiples tipos de relaciones, surge una escala ordinal (de hecho, un intervalo) de una dimensin que mide la fuerzade la relacin. Las relaciones recprocas tambin parecen ser ms fuertes. Normalmente podemos valorar la reciprocidad pidiendo a cada actor de una dada que nos diga sus preferencias sobre los dems. Sin embargo, tambin se puede preguntar a cada actor acerca de sus percepciones del grado de reciprocidad en una relacin: Quiere decir que ustedes no se agradan mutuamente, que a usted le agrada ms X que usted a l, que a X le agrada usted ms que l a usted, o que se agradan mutuamente? Las escalas ordinales de medicin contienen ms informacin que las nominales. Es decir, las puntuaciones reflejan sutiles diferencias de la fortaleza del lazo ms que una simple presencia o ausencia . Esto debe verse como algo positivo. Sin embargo con frecuencia es difcil aprovechar los datos ordinales. Los algoritmos ms comnmente usados para el anlisis de redes sociales han sido diseados para datos binarios. Muchos han sido adaptados para datos contnuos pero para escalas de intervalo ms que para escalas ordinales de medicin. Los datos ordinales, en consecuencia, a menudo son convertidos en binarios escogiendo algn punto de corte y recodificndolos. De forma alternativa, los datos ordinales a veces son tratados como 19

si ellos fueran realmente intervalos. La primera estrategia, sin embargo, tiene el riesgo de la adecuada seleccin de los puntos de corte; la ltima estrategia tambin tiene riesgos ya que los intervalos de puntos separados en una escala ordinal pueden resultar muy heterogneos. Medidas ordinales del ranking de relaciones: A veces es posible puntuar la fortaleza de todas las relaciones de un actor en un orden de posicin desde la ms fuerte hasta la ms dbil. Por ejemplo, puedo pedir a cada informante que escriba un 1 junto al nombre de la persona en la clase que ms le agrada, un 2 junto al nombre que le agrada en segundo trmino, etctera. La clase de escala que resultara de esto, sera una escala total del orden de posiciones . Tales escalas reflejan las diferencias de grado de intensidad, pero no necesariamente diferencias iguales es decir, la diferencia entre mi primera y segunda selecciones no necesariamente es la misma que la diferencia entre mi segunda y tercera selecciones. Cada relacin, sin embargo, tiene una puntuacin nica (1era, 2da, 3era, etctera) Las medidas ordinales del ranking de relaciones son poco frecuentes en la literatura de anlisis de redes sociales, as como tambin en la mayora de las dems orientaciones. En consecuencia, hay relativamente pocos mtodos, definiciones y algoritmos que se beneficien especfica o totalmente de la informacin de tales escalas. Muy a menudo, las medidas ordinales del ranking de relaciones son tratadas como si fuesen intervalos. Existe la posibilidad de que sea menos arriesgado tratar las medidas ordinales del ranking de relaciones (comparadas con las medidas ordinales agrupadas) como si fuesen un intervalo, aunque tal suposicin es discutible. Por supuesto, tambin es posible agrupar las puntuaciones del ranking de posiciones (por ejemplo produciendo una escala ordinal agrupada), binarizar los datos (por ejemplo las tres primeras elecciones sern tratadas como lazos, y las restantes como ausencia de lazos). En la combinacin de informacin de mltiples tipos de lazos con

frecuencia es necesario simplificar las escalas de ranking de posiciones. Pero si tenemos varias escalas de ranking que deseamos combinar para formar una escala (por ejemplo posiciones de los gustos de las personas hacia los dems, frecuencia de interaccin , etctera), la suma de tales escalas en un ndice puede ser razonablemente tratado como una verdadera medida de intervalo. Medidas de intervalo de relaciones. El nivel ms avanzado de medida nos permite discriminar entre las relaciones informadas de forma tal que puede validarse su estado, por ejemplo, este lazo es dos veces ms fuerte que este otro . Los lazos son

20

valorados en escalas en las que la diferencia entre un 1 y un 2 refleja la misma diferencia real que entre 23 y 24 . Verdaderas medidas de intervalo de la fuerza de muchos tipos de relaciones son relativamente fciles de construir con un poco de imaginacin y perseverancia. Pedir a los informantes que informen de los detalles de la frecuencia o intensidad de lazos a travs de mtodos como cuestionarios o entrevistas puede ser, sin embargo, menos fiable particularmente si las relaciones rastreadas son poco destacables e infrecuentes. Ms que preguntar si dos personas se comunican, uno puede contar el nmero de entregas de correo electrnicos, llamadas telefnicas y correo interno entre ellos. Ms que preguntar si dos naciones tienen intercambios con otra, debe observarse las estadsticas de la balanza de pagos. En muchos casos, es posible construir niveles de medida de intervalos de la fuerza de relaciones utilizando herramientas de observacin (por ejemplo estadsticas recogidas para otros propsitos). Las medidas continuas de la fuerza de las relaciones permiten la aplicacin de un amplio rango de herramientas matemticas y estadsticas para la exploracin y anlisis de datos. Muchos de los algoritmos que han sido desarrollados por los analistas de redes sociales, originalmente pensados para datos binarios, han sido ampliados para aprovechar la informacin disponible en las medidas de intervalos. Donde sea posible, las conexiones deben medirse en el nivel del intervalo en tanto que siempre podemos movernos ms tarde a un enfoque menos refinado; en cambio, si los datos se recogen en el nivel nominal, es mucho ms difcil moverse a un nivel ms refinado. An cuando es una buena idea medir la intensidad de la relacin en el nivel ms refinado posible, la mayora de los anlisis de redes no trabajan en este nivel. La comprensin ms importante de los anlisis de redes, y de muchos de las herramientas matemticas y grficas utilizadas por los analistas de redes, fueron desarrolladas para grafos simples (por ejemplo, binarios, indirectos). Muchas de las descripciones de la insercin de los actores en sus redes, y de las redes en s mismas, son pensadas en la literatura de redes comnmente en trminos discretos. Como resultado, a menudo se busca reducir incluso los datos de intervalo al nivel binario escogiendo un punto de corte y codificando la fortaleza del lazo por encima de l con un 1 , y con un 0 si est por debajo. Desafortunadamente, no hay una forma correcta de escoger un punto de corte. La teora y los propsitos del anlisis proporcionan la mejor gua para ello. A veces el examen de los datos puede ayudar 21

(quizs la distribucin de la fuerza de las relaciones es realmente bimodal discreta, y muestra un punto de corte claro; quizs la distribucin est fuertemente sesgada y la caracterstica principal es la distincin entre la presencia y la ausencia de relacin). Cuando se escoge un punto de corte, es sensato considerar tambin valores alternativos ms altos o ms bajos, y repetir el anlisis con diferentes puntos de corte para ver si se afecta el sentido de los resultados. Esto puede ser tedioso, pero es muy necesario. De otro modo, uno puede equivocarse al pensar que se ha encontrado un patrn real, cuando slo se ha observado la consecuencia del punto en que hemos decidido insertar el punto de corte.

UNA NOTA SOBRE LA ESTAD STICA Y LOS DATOS DE REDES SOCIALES

El anlisis de redes sociales en ms una rama de la sociologa matemtica que un anlisis estadstico o cuantitativo , an cuando los especialistas en redes de hecho trabajan con ambos enfoques. La distincin entre ambos enfoques no est muy clara. Los enfoques matemticos del anlisis de redes tienden a tomar los datos como determinsticos . Es decir, tienden a observar las relaciones medidas y la fortaleza de la relacin, como si realmente reflejasen el estatus real , final o de equilibrio de la red. Los enfoques matemticos tambin tienden a asumir que las observaciones no son una muestra de una poblacin mayor de observaciones posibles, sino que las observaciones son a menudo vistas como la poblacin de inters. Los estadsticos tienden a observar las puntuaciones particulares de la fuerza de las relaciones como resultado de una tendencia real destacable, o de una distribucin de probabilidad de la fuerza de las relaciones. Los estadsticos tambin tienden a pensar en un conjunto particular de datos de red como una muestra de una clase o poblacin mayor de tales redes o elementos de red y tienen cuidado de que los resultados de su estudio pueda reproducir en el estudio siguiente resultados similares. En los captulos que siguen en este texto, nos vincularemos ms con el lado matemtico del anlisis de redes que con el estadstico (de nuevo, es importante recordar que expongo las diferencias en esta discusin). Antes de seguir con ello, debemos mencionar un par de puntos importantes sobre la relacin entre el material que se estudiar aqu y los enfoques estadsticos principales en sociologa. Por un lado, hay una pequea diferencia aparente entre los enfoques estadsticos convencionales y los enfoques de redes. Las herramientas estadsticas descriptivas

22

univariables, bivariables o incluso multivariables, se utilizan comnmente en la descripcin, exploracin y modelado de datos de redes sociales. Los datos de redes sociales, como hemos dicho antes, se representan fcilmente como matrices de nmeros al igual que otros tipos de datos sociolgicos. Como resultado, los mismos tipos de operaciones pueden hacerse con datos de redes y con los dems tipos de datos. Los algoritmos de estadstica se utilizan con frecuencia para describir las caractersticas de las observaciones individuales (por ejemplo, la fortaleza de lazo mediana de un actor X con todos los dems en una red) y la red como un todo (por ejemplo, la media de toda la fuerza de los lazos para todos los actores en la red). Los algoritmos estadsticos se utilizan mucho en la evaluacin del grado de similaridad entre los actores y si se encuentra patrones en los datos de la red (por ejemplo, anlisis factorial, anlisis de clusters, escalado multidimensional). Incluso las herramientas del modelado predictivo son aplicadas con frecuencia a los datos de redes (por ejemplo, la correlacin y la regresin). Las herramientas estadsticas descriptivas son de hecho algoritmos para sumariar las caractersticas de las distribuciones de frecuencias. Es decir, son operaciones matemticas. Donde la estadstica es realmente estadstica , es en el lado inferencial. Es decir, cuando nuestra atencin se gira hacia la valoracin de la capacidad de reproduccin o la probabilidad del patrn que describimos. La estadstica inferencial puede ser, y de hecho es, aplicada al anlisis de datos reticulares. Pero hay algunas diferencias muy importantes entre la esencia de la estadstica inferencial utilizada en los datos de redes y aquella ms comnmente utilizada en los cursos bsicos de anlisis estadstico en sociologa. Probablemente el inters ms comn en la aplicacin de estadstica inferencial a los datos de ciencias sociales consiste en responder a preguntas acerca de la estabilidad, replicacin o generalizacin de los resultados observados en un muestra. La pregunta central es: si se repite el estudio en una muestra diferente (extrada a travs del mismo mtodo), que probabilidad existe que obtenga la misma respuesta acerca de lo que ocurre en la poblacin de la cual he extrado ambas muestras? Es una pregunta realmente importante -ya que ayuda a valorar la confianza (o la falta de sta) as como la informacin que puede obtenerse poniendo a prueba nuestras teoras. Para la mayora de las observaciones utilizadas en los anlisis de redes extradas de alguna poblacin de actores y/o lazos identificable por mtodos de muestreo probabilstico, se aplica el mismo tipo de pregunta sobre la posibilidad de generalizacin de los resultados. A menudo este tipo de pregunta inferencial es de 23

menor inters para los investigadores de redes. En muchos casos, se encuentran estudiando una red en particular o un conjunto de stas, y no tienen inters en generalizar una poblacin de tales redes (bien porque no hay tal poblacin o porque no interesa generalizarla de forma probabilstica). En otros casos, podemos tener inters en generalizar, pero la muestra no ha sido extrada por mtodos estadsticos. El anlisis de redes, a menudo confa en herramientas como la observacin directa, experimentos de laboratorio y documentos como archivos de datos y

frecuentemente no hay formas plausibles de identificar poblaciones y extraer muestras a travs de mtodos de probabilidad. El otro uso principal de la estadstica inferencial en las ciencias sociales es la contrastacin de hiptesis. En muchos casos se utilizan herramientas similares o parecidas para la generalizacin y para la contrastacin de hiptesis. La lgica bsica de la contrastacin de hiptesis es comparar un resultado observado en una muestra, con algn valor de la hiptesis nula, relativa a la variabilidad del resultado de la muestra bajo la suposicin de que la hiptesis nula es vlida. Si el ejemplo resulta muy distinto de lo que debera observarse bajo la suposicin de que la hiptesis nula es vlida, entonces la hiptesis nula probablemente no sea vlida. La clave en la cadena inferencial de contrastacin de hiptesis, es la estimacin de los errores estndar de las estadsticas. Es decir, la estimacin del monto estimado en que el valor estadstico puede variar de una muestra a la otra, simplemente como resultado de los errores de muestreo. Con poca frecuencia pueden observar o calcularse directamente tales errores estndar ya que no disponemos de rplicas. Sin embargo, la informacin de nuestra muestra sirve para estimar la variabilidad de la muestra. Muchos procedimientos estadsticos comunes permiten estimar los errores estndar mediante aproximaciones muy bien validadas (por ejemplo el error estndar de una media se estima, generalmente, por la desviacin estndar de la muestra dividida por la raz cuadrada del tamao de la muestra). Estas aproximaciones, sin embargo, se mantienen cuando se extraen observaciones de un muestreo aleatorio independiente. Las observaciones de la red son, en su mayora, no independientes por definicin. En consecuencia, las frmulas inferenciales convencionales no se aplican a los datos de redes (aunque pueden aplicarse las frmulas desarrollados por otros tipos de muestreo dependiente). Es particularmente peligroso asumir que tales frmulas se pueden aplicar, ya que la no independencia de las observaciones de la red

24

usualmente resultarn en subestimaciones de la variabilidad real del muestreo, y demasiada confianza en nuestros resultados. El enfoque de la mayora de los analistas de redes interesados en inferencia estadstica para contrastar hiptesis sobre propiedades de la red, es trabajar directamente las distribuciones de probabilidad de los estadsticos. Se utiliza este enfoque porque: 1) no se han desarrollado aproximaciones para las distribuciones de muestreo de la mayora de las estadsticas descriptivas utilizadas por los analistas de redes y 2) el inters a menudo se centra en la probabilidad de que un parmetro relativo de alguna teora inicial (usualmente aleatoria) ms que en la probabilidad de que una red dada sea tpica en la poblacin de todas las redes. Supongamos, por ejemplo, que estamos interesados en la proporcin de actores dentro de una red que son miembros de grupos o cualquier otro parmetro o estadstica de la red. La nocin de grupo implica una estructura conexiones no aleatorias entre los actores. Se tienen los datos sobre una red de diez nodos, en los cuales hay 20 lazos simtricos entre los actores y se observa que hay un grupo que contiene cuatro actores. La pregunta deductiva puede ser: si los lazos entre los actores fueran eventos aleatorios, qu tan probable ser que esa red de diez nodos y 20 lazos simtricos muestre grupos de tamao cuatro o ms? Si se concluye que los grupos de tamao igual o mayor que cuatro en redes de este tamao y grado son comunes, se debe ser cauteloso en concluir que se ha descubierto una estructura de no-aleatoriedad. Si se concluye que tales grupos (aquellos ms numerosos o ms inclusivos) son muy improbables bajo la suposicin de que los lazos son slo aleatorios, entonces es muy acertado llegar a la conclusin de que existe una estructura social. Pero, cmo se determina esta probabilidad? Uno de los mtodos utilizados es la simulacin y como la mayora de las simulaciones, se requiere una gran cantidad de recursos y habilidades de programacin. En el caso anterior, se puede utilizar una tabla de nmeros aleatorios para distribuir 20 lazos entre 10 actores, y entonces buscar la red resultante para grupos de tamao cuatro o ms. Si no se encuentran grupos, se asigna cero al ensayo; si se consigue un grupo, se asigna un uno. El resto es simple. Slo repetir el experimento varios cientos de veces y aadir qu proporcin de ensayos devienen xitos . La probabilidad de un xito entre estos experimentos de simulacin es un buen estimador de la probabilidad de que pueda encontrarse una red de este tamao y densidad, teniendo grupos de este tamao slo por accidente

25

cuando los mecanismos causales no-aleatorios que se cree causa el grupo no operan de hecho. Esto puede parecer extrao, y es ciertamente un gran trabajo (la mayora del cual, afortunadamente, puede ser hecho por ordenador). Pero realmente, no es muy diferente de la lgica de la prueba de hiptesis con datos que no sean reticulares. Los datos de redes sociales tienden a diferir de los datos de encuestas ms convencionales , en algunas formas claves: los datos de redes a menudo no son muestras probabilsticas, y las observaciones de los nodos individuales no son independientes. Estas diferencias son importantes para las preguntas sobre la generalizacin de los hallazgos y sobre los mecanismos de contrastacin de hiptesis. Sin embargo, no hay nada sustancialmente distinto sobre la lgica del uso de la estadstica descriptiva e inferencial para datos de redes sociales. La aplicacin de la estadstica a los datos de redes sociales es un rea interesante y, en el momento de redactar este trabajo, es un campo en desarrollo. En tanto en cuanto este texto se centra en los usos bsicos y comunes del anlisis de redes, no hemos de decir mucho ms acerca de la estadstica. Mucho de lo que sigue en el libro puede relacionarse con el lado descriptivo de la estadstica (desarrollando ndices para describir ciertos aspectos de la distribucin de lazos relacionales entre actores en redes). Para aquellos interesados en el lado inferencial, un buen punto de partida es la segunda mitad del excelente libro de Wasserman y Faust.

26

INTRODUCCIN A LOS MTODOS MTODOS DEL ANLISIS DE REDES SOCIALES. SOCIALES. CAPTULO SEGUNDO
Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html< [Fecha de consulta: Octubre de 2000]. La traduccin se ha realizado por bloques. En este documento se presenta el segundo captulo, traducido por gueda Quiroga y revisado por Jos Luis Molina.

CAPTULO I I. FORMALES SOCIALES?

POR QU UTILIZAR MTODOS MTODOS EN EL ANLISIS ANLISIS DE REDES

La idea bsica de una red social es simple: se trata de un conjunto de actores (o puntos, nodos o agentes) entre los que existen vnculos (o relaciones). Las redes pueden tener muchos o pocos actores y una o ms clases de relaciones entre pares de actores. Para entender acertadamente una red social es necesario realizar una descripcin completa y rigurosa de la estructura de sus relaciones como punto de partida para el anlisis. De manera ideal, deberamos conocer todas las relaciones entre cada par de actores en la poblacin estudiada. Una razn para la utilizacin de tcnicas matemticas y de grafos en el anlisis de redes sociales es que permite representar la descripcin de una red de manera concisa y sistemtica. Tambin posibilita el uso de ordenadores para almacenar y manipular rpidamente la informacin y de manera ms precisa que si se hiciese manualmente. Si trabajamos con poblaciones pequeas (por ejemplo, la gente en un vecindario, o las empresas en un sector industrial) podemos describir la estructura de relaciones sociales que conecta a los actores de manera bastante efectiva utilizando palabras. Sin embargo, para asegurarnos de que nuestra descripcin es completa podramos querer listar todos los pares lgicamente posible de actores y describir cada clase de relacin posible entre cada par. Esta tarea puede ser muy tediosa si el nmero de actores y/o el nmero de clases de relaciones es grande. Las representaciones formales aseguran que toda la informacin necesaria se encuentra representada sistemticamente y provee las reglas para hacerlo de manera eficiente. Un razn relacionada con la anterior es que el uso de mtodos formales (particularmente matemticos) en la representacin de redes sociales permite usar ordenadores en el anlisis de la informacin. La importancia de esta herramienta se ver ms claramente cuando aprendamos ms acerca de cmo analizar redes sociales. Supongamos, por ejemplo, que tenemos informacin acerca de los flujos de comercio de 50 mercancas (caf, azcar, t, copra, bauxita, etc.) entre las 170 o ms naciones

del sistema mundial para un ao determinado. Aqu, las 170 naciones pueden ser vistas como actores o nodos y el monto de cada mercanca exportada de una nacin a otra puede ser pensada como la intensidad de un lazo dirigido desde una nacin a otra. Un investigador podra estar interesado, por ejemplo, en saber si las estructuras del comercio de productos minerales son ms similares entre ellas que, por ejemplo, el comercio entre productos minerales y vegetales. Para responder esta pregunta aparentemente simple (pero importante) es necesario manejar una cantidad enorme de informacin. Literalmente, podra llevar aos realizarlo a mano. Un ordenador puede hacerlo en pocos minutos. La tercera y ltima razn para usar mtodos formales (grficos y matemticos) en la representacin de redes sociales es que las tcnicas de representacin y las reglas de las matemticas en s mismas sugieren cosas que podramos haber estar buscando, pero tambin posibilitan la aparicin de preguntas que no se nos hubieran ocurrido si hubisemos presentado la informacin en un texto. Una vez ms, nos permitimos utilizar un breve ejemplo: Supongamos que estamos describiendo la estructura de la red de amistad en un grupo de cuatro personas: Bob, Carol, Ted y Alice. Es sencillo hacerlo usando palabras. Supongamos que a Bob le gustan Carol y Ted, pero no Alice, a Carol le gusta Ted, pero ni Bob ni Alice, a Ted le agradan las tres personas del grupo y a Alice nicamente Ted (quizs esto suene a la descripcin de una estructura social muy poco frecuente). Podramos tambin describir este patrn de lazos vinculantes con un matriz, donde las filas representen las elecciones realizadas por cada actor. Pondremos 1 si a un actor le gusta otro y "0" si no. Este sera el resultado:

Bob Bob Carol Ted --0 1

Carol 1 ---1

Ted 1 1 ---

Alice 0 0 1

Alice

---

Se nos pueden ocurrir inmediatamente muchas cosas al ver la informacin dispuesta de esta manera que quizs no hubisemos pensado al leer la descripcin en el prrafo anterior. Por ejemplo, al examinar cada fila, notamos que a Ted le gustan ms personas que a Bob, Alice y Carol. Es posible que se trate de un patrn? Los hombres son ms proclives a informar lazos que las mujeres? (la bibliografa sugiere que esto por lo general no es cierto). Al utilizar matrices surge inmediatamente una pregunta: la diagonal central est vaca (por ejemplo: a Bob le gusta Bob, a Carol le gusta Carol). Es esto razonable? O nuestra descripcin del patrn de relaciones debera incluir algunas consideraciones acerca de las auto-relaciones? No existe ninguna respuesta para correcta para esta pregunta. Nos limitaremos a sostener que utilizar una matriz para representar lazos entre actores permite ver patrones con mayor facilidad y puede motivar preguntas (incluso preguntas tiles) que una descripcin verbal no generara.

S NTESIS DEL CAPTULO DOS

Hay tres grandes razones para utilizar mtodos formales en la representacin de redes sociales: Las matrices y los grafos son concisos y sistemticos. Resumen y presentan mucha informacin de manera rpida y sencilla y nos obligan a ser sistemticos y exhaustivos en la descripcin de patrones de relaciones sociales. Las matrices y los grafos permiten utilizar ordenadores para el anlisis de la informacin. Esto es muy til, ya que el anlisis sistemtico de una red puede ser extremadamente tedioso si el nmero de actores o de tipos de relaciones entre los actores es grande. Gran parte de ese trabajo es lento, repetitivo y poco interesante, pero requiere

precisin. Ese es exactamente el tipo de cosas que los ordenadores hacen bien y nosotros no. Las matrices y los grafos tienen reglas y convenciones. A veces son las reglas y las convenciones las que permiten que nos comuniquemos con claridad. Tambin las reglas y convenciones del lenguaje matemtico y de grafos en s mismas permiten ver matices en la informacin que podramos pasar por alto si slo la hubisemos descrito con palabras. Necesitamos, entonces, aprender las bases de la representacin de redes sociales utilizando matrices y grafos. De esto trata el siguiente captulo.

INTRODUCCI N A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAP TULO TERCERO: REPRESENTACI N DE REDES SOCIALES MEDIANTE GRAFOS.
Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html < [Fecha de consulta: Octubre de 2000]. La traduccin se ha realizado por bloques. En este documento se presenta el segundo captulo, traducido por Maria ngela Petrizzo y revisado por Jos Luis Molina.

CAP TULO

III.

REPRESENTACI N

DE

REDES

SOCIALES MEDIANTE GRAFOS. INTRODUCCI N

Los analistas de redes sociales utilizan dos tipos de herramientas matemticas para representar informacin sobre los patrones de relaciones entre actores sociales: grafos y matrices. En este captulo, aprenderemos lo suficiente sobre grafos como para entender cmo representar los datos de redes sociales. En el siguiente captulo introduciremos las representaciones matriciales de las relaciones sociales. Utilizando esas dos herramientas podremos entender la mayor parte de las operaciones que los analistas de redes sociales realizan esta informacin (por ejemplo, calcular medidas precisas de la densidad relativa de relaciones ). Sobre estos temas hay muchsima ms informacin que la que presentaremos aqu: las matemticas disponen de subdisciplinas dedicadas completamente a la teora de grafos y al lgebra de matrices. Los cientficos sociales han tomado prestadas simplemente unas cuantas cosas que piensan que pueden ser tiles para describir y analizar las estructuras de las relaciones sociales. Una advertencia: hay mucha terminologa especializada que es necesario aprender. Es un esfuerzo que vale la pena, ya que nos permite representar de forma simple algunas ideas importantes sobre la estructura social una vez se domina lo fundamental.

GRAFOS Y SOCIOGRAMAS
Hay muchas formas distintas de grficos . De barras, de pastel, de lneas y tendencias, y tambin muchas otras cosas que son llamadas grafos o grficos. Los analistas de redes utilizan principalmente un tipo de representacin grfica que consiste en puntos (o nodos) para representar actores y lneas (o flechas) para representar lazos o relaciones. Cuando los socilogos tomaron esta forma de representacin de los matemticos, renombraron sus grficos como sociogramas . Los matemticos distinguen los diferentes tipos de representaciones grficas con los nombres de grafos recprocos , grafos orientadoso simplemente grafos .

Existen muchas variaciones en los sociogramas, pero todos ellos comparten la caracterstica comn del uso de un crculo etiquetado para cada actor en la poblacin que describimos y segmentos de lnea entre pares de actores para representar el hecho que existe un vnculo entre ellos. Supongamos que estamos interesados en saber quin nombra a quin como amigo en un grupo de cuatro personas (Bob, Carol, Ted y Alice). Comenzaremos representando cada actor como un nodo con una etiqueta (a veces los nodos se representan con etiquetas en crculos o cuadrados).

B T

C A

Recogemos nuestros datos sobre lazos de amistad preguntando a cada miembro del grupo (privada y confidencialmente) quines consideran sus amigos cercanosde una lista de los otros miembros del grupo. Cada una de las cuatro personas podra simplmente escoger a una de las otras tres como amigo/a cercano/a . Suponiendo que sesto hay ocurrido, en nuestro caso ficticio, Bob escogi a Carol y Ted, pero no a Alice; Carol escogi slo a Ted; Ted escogi a Bob, Carol y Alice; y Alice escogi slo a Ted. Podemos representar esta informacin dibujando una flecha desde quin escoge hasta el que es escogido en el grafo siguiente:

TIPOS DE GRAFOS
Ahora necesitamos introducir alguna terminologa para describir los distintos tipos de grafos. El ejemplo anterior en particular es binario y orientado (en contraposicin contraposicin al grafo con signos, ordinal o ponderado, con presencia simultnea de vnculos). Las relaciones sociales descritas aqu tambin son simples (opuestas a las mltiples o multiplexadas). Niveles de Medicin: grafos binarios, orientados y ponderados En la descripcin del patrn de quin seala a quin como un amigo cercano, pudimos haber hecho nuestra pregunta de muchas formas. Si preguntamos a cada entrevistado esta persona es o no un amigo cercano? , estamos pidiendo una respuesta binaria: cada persona es o no escogida por cada entrevistado. Muchas relaciones sociales pueden ser descritas de esta forma: lo nico que importa es si existe o no el vnculo. Cuando nuestros datos se recogen de esta forma, podemos rerpesentarlos de una manera simple: una flecha representa que se hizo una nominacin y ninguna representa la inexistencia de una nominacin. Pero pudimos haber hecho la pregunta de otra forma: para cada una de las personas en esta lista, indique si le gusta, desagrada o no le importa . Podemos asignar un + para indicar agrado , cero para indicar no importa y un para indicar desagrado . Esta clase de datos se llama datos con signos . El grafo con datos orientados utiliza un + en la flecha para indicar una nominacin positiva, un para indicar una nominacin negativa y ninguna flecha para indicar una posicin neutral o indiferente. Sin embargo, puede realizarse la pregunta desde un enfoque diferente: ordene tres personas de esta lista segn le agrade ms, regular o menos . Esto nos dar un orden de posiciones o datos ordinales , que describen la fortaleza de cada nominacin de amistad. Finalmente, hemos podido preguntar en una escala de menos 100 a ms 100 dnde 100 indica que se odia a esa persona, cero significa que se siente neutral y +100 indica que se ama a esa persona- cmo se siente hacia ... . Esto nos dar informacin acerca del valor de cada nominacin en un (al menos supuesto) nivel proporcional de medicin. Tanto en un grafo ordinal como en uno ponderado, podremos colocar la medida de la fortaleza de la relacin en la flecha del diagrama.

Vnculos orientados o recprocosen el grafo En nuestro ejemplo pedimos a cada miembro del grupo que escogiese a quines del grupo consideraba como amigos cercanos. En este caso, a cada persona (ego) se le ha preguntado sobre los vnculos o relaciones que ellos mismos dirigen hacia otros (alters). Las personas nominadas no sienten necesariamente de igual forma acerca de cada relacin que ego: Bob puede sealarse a s mismo como buen amigo de Alice, pero Alice no necesariamente seala a Bob como buen amigo. Es muy til describir muchas estructuras sociales como formadas por vnculos orientados(que pueden ser binarios, con signos, ordenados o ponderados). De hecho, la mayora de los procesos sociales incluyen secuencias de acciones dirigidas. Por ejemplo, supngase que la persona A hace un comentario a B, entonces B devuelve otro comentario a A y as sucesivamente. Podemos desconocer el orden en el que sucedieron las acciones (por ejemplo, quin comenz la conversacin), o puede que no nos importe. En este ejemplo, podramos querer saber solamente que A y B tienen una conversacin . En este caso, el vnculo o relacin conversando con , incluye necesariamente ambos actores A y B. Los dos actores, A y B, estn presentes o son concurrentes en la relacin de tener una conversacin . O tambin podemos describir la situacin como un ejemplo del tipo de institucin social denominada conversacion , la cual, por definicin, involucra a dos (o ms) actores conectados en una interaccin (Berkowitz). Los grafos orientados utilizan la convencin de que los actores o nodos se conectan a travs de lneas que tienen punta de flecha para indicar quin orienta el vnculo hacia quin. Esto es lo que hicimos en los grafos anteriores, donde los individuos (egos) dirigieron sus nominaciones hacia los otros (alters). Los grafos de concurrencia , presencia o recprocos , utilizan la convencin de que los actores involucrados en la relacin se conectan con un segmento de lnea simple (sin punta de flecha). Aqu hay que ser muy cuidadosos. En un grafo dirigido, Bob pudo escoger a Ted y Ted escoger a Bob. Esto podra ser representado por flechas con punta yendo desde Bob hacia Ted y viceversa, o por una doble flecha. Pero esto tiene un sentido distinto a un grafo que muestre a Bob y Ted conectados por un nico segmento de lnea sin puntas de flecha. Tal grafo querra indicar que hay una relacin llamada amistad cercana que une a Bob y a Ted . La distincin puede ser sutil, pero en algunos anlisis es importante. 6

Relaciones simples o mltiples en el grafo La informacin que hemos presentado acerca de la estructura social de nuestro grupo de cuatro personas es muy simple. Es decir, describe slo a un tipo de vnculo o relacin nominar a un amigo cercano-. A un grafo que representa un nico tipo de relacin se le llama grafo simple. Las estructuras sociales, sin embargo, son a menudo mltiples. Es decir, hay muchas formas distintas de vnculos entre los actores sociales. Aadamos un segundo tipo de relacin a nuestro ejemplo. Adems de las nominaciones de amistad, supongamos que le preguntamos a cada persona si es familia de cada uno de los otros tres. Bob identifica a Ted como su familia; Ted identifica a Bob; y Ted y Alice identifican a cualquier otro (la historia completa podra ser que Bob y Ted fuesen hermanos y Ted y Alice esposos). En este caso podramos aadir esta informacin a nuestro grafo, utilizando un color distinto o un estilo distinto de lnea para representar el segundo tipo de relacin ( ser familiar de... ). Podemos ver que el segundo tipo de vnculo, el parentesco , acenta la fortaleza de las relaciones entre Bob y Ted y entre Ted y Alice (o quizs, la presencia de un vnculo de parentesco explique la nominacin mutua como buenos amigos). El vnculo recproco de amistad entre Carol y Ted, sin embargo, es distinto, ya que no est reforzado por un vnculo familiar. Por supuesto, si estamos examinando muchos tipos distintos de relaciones entre el mismo conjunto de actores, el poner toda esta informacin en un mismo grafo puede hacerlo muy difcil de interpretar. En lugar de de ello debemos utilizar mltiples grafos con los actores ubicados cada vez en el mismo sitio. Podramos tambin querer representar la multiplicidad de los datos de una forma ms simple. Pudimos utilizar lneas de diferente grosor para representar la existencia de muchos vnculos entre cada par de actores; o pudimos contar el nmero de relaciones que estaban presentes para cada actor y utilizar un grafo ponderado.

RESUMEN
Un grafo (a veces llamado sociograma) est compuesto por nodos (actores o puntos) conectados por lneas (relaciones o vnculos). Un grafo puede representar un nico tipo de relaciones entre los actores (simple), o ms de un tipo de relacin (mltiple). Cada vnculo o relacin puede ser orientado (por ejemplo, se origina con un actor fuente y alcanza a un actor objetivo), o puede ser un vnculo que representa concurrencia, presencia o un reciprocidad entre el par de actores. Los vnculos orientados se representan con flechas, los vnculos recprocos se representan con segmentos de recta. Los vnculos orientados pueden ser recprocos (A nomina a B y viceversa); tales vnculos pueden representarse con una flecha con doble punta. La fortaleza de los vnculos entre actores en un grafo puede ser nominal o binaria (representan presencia o ausencia de vnculo); con signos (representa un vnculo negativo; un vnculo positivo o ningn vnculo); ordinales (representan si el vnculo es fuerte, menos fuerte, etc.); o ponderada (midiendo un intervalo o nivel promedio). Al hablar de la posicin de un actor o nodo en un grafo con respecto a otros nodos o actores en el mismo, nos referimos al actor focal como ego y a los otros como alters .

PREGUNTAS DE ESTUDIO
1. Qu son nodosy lneas ? Qu se utiliza para representar nodos y arcos en un sociograma? 2. Cmo se corresponden los grafos con signos, binarios y ponderados con los niveles de medicin nominal, ordinale intervlica ? 3. Distinguir entre relaciones o vnculos orientados y recprocos. 4. En qu se diferencia un vnculo orientado recproco de un vnculo recproco? 5. Dar un ejemplo de una relacin mltiple. Cmo puede representarse las relaciones mltiples en los grafos?

PREGUNTAS DE APLICACI N
1. Pensar en las lecturas de la primera parte del curso. Algunos estudios presentaban grafos? Si lo hacan, qu tipos de grafos eran? (es decir, describir tcnicamente el tipo de grafo o matriz). Representar mediante un grafo los datos de un artculo. 2. Suponer que estamos interesados en dibujar un grafo en el que las grandes corporaciones estn vinculadas con las dems teniendo las mismas personas en sus equipos directivos. Tendra ms sentido utilizar en el estudio un grafo de vnculos orientados o recprocos ? Es posible pensar en algn tipo de relacin entre grandes corporaciones que pueda representarse mejor con vnculos orientados? 3. Pensar en algn grupo pequeo del cual se sea miembro (quizs un club, un grupo de amigos, o gente viviendo en un mismo piso, etc.). Qu tipos de relaciones entre ellos podran decirnos algo acerca de las estructuras sociales de esta poblacin? Intentar dibujar un grafo que represente uno de los tipos de relaciones escogido. Es posible ampliar este grafo para describir tambin un segundo tipo de relacin? (por ejemplo, uno podra empezar con quin le agrada a quiny aadir quin pasa ms tiempo con quin ). 4. Realizar grafos de una red estrella , lnea y crculo . Pensar en ejemplos del mundo real con ese tipo de estructuras donde los vnculos sean orientados, donde sean recprocos o no orientados. Qu hace que una jerarqua estricta lo parezca? Qu hace que una poblacin que est segregada en dos grupos lo parezca?

INTRODUCCI N A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAP TULO CUARTO: REPRESENTACI N DE REDES SOCIALES MEDIANTE MATRICES.
Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html > [Fecha de consulta: Mayo de 2001]. La traduccin se ha realizado por bloques. En este documento se presenta el cuarto captulo, traducido por Maria ngela Petrizzo y revisado por Jos Luis Molina.

CAP TULO

IV.

REPRESENTACI N

DE

REDES

SOCIALES MEDIANTE MATRICES

INTRODUCCI N
Los grafos constituyen una manera muy til de representar informacin sobre redes sociales. Sin embargo, cuando existen muchos actores y/o muchas clases de relaciones, stos pueden hacerse tan visualmente complicados que se hace muy difcil iden tificar estructuras. En su lugar, tambin es posible representar la informacin sobre redes sociales en forma de matrices. De esta forma, la representacin de la informacin permite la utilizacin de herramientas matemticas y de computacin para identific ar estructuras. Los analistas de redes sociales utilizan las matrices de una variedad de formas. Es por ello que son necesarios ciertos conocimientos matemticos bsicos sobre el tema. En este texto revisaremos los aspectos bsicos que son necesarios para entender qu es lo que hacen los analistas de redes sociales. Para aquellos que quieran profundizar ms en el tema, existen excelentes manuales introductorias al lgebra de matrices para cientficos sociales.

QU ES UNA MATRIZ?
Para comenzar, una matriz es simplemente la disposicin rectangular de un conjunto de elementos (de hecho, es un poco ms complicado que eso, pero retomaremos el tema de las matrices de ms de dos dimensiones en breve). El tamao de los rectngulos viene dado por el nmero de fil as y columnas de elementos que contienen. Una matriz de 3 por 6 tiene tres filas y seis columnas; una matriz de i por j tiene i lneas y j columnas. A continuacin se muestran una matriz de 2 por 4 y una de 4 por 2.

2*4 1,1 2,1 1,2 2,2 1,3 2,3 1,4 2,4

4*2 1,1 2,1 3,1 4,1 1,2 2,2 3,2 4,2

Los elementos de una matriz, se identifican por sus ubicaciones . El elemento 1,1 es el elemento ubicado en la primera fila y la primera columna; el elemento 13,2 est en la treceava fila y la segunda colum na. Las ubicaciones de las celdas han sido utilizadas como elementos constitutivos de las matrices en los dos ejemplos anteriores. A menudo, las matrices se presentan como ordenaciones de elementos limitados por lneas verticales a su derecha e izquierda, o corchetes a la izquierda y derecha. En el lenguaje html (utilizado para preparar pginas web), es muy fcil utilizar tablas para representar matrices. Las matrices pueden ser nombres dados; estos nombres a menudo se muestran en letras capitales en negr ita. Los cientficos sociales que utilizan matrices para representar redes sociales a menudo no utilizan las convenciones matemticas y simplemente muestran sus datos como una ordenacin de filas y columnas etiquetadas. Las etiquetas no son realmente parte de la matriz, sino que son utilizadas slo para clarificar la presentacin. La matriz que se muestra a continuacin, por ejemplo, es una matiz de 4 por 4, con etiquetas adicionales:
4

Bob Bob Carol Ted Alice 1 1 0

Carol 1 1 0

Ted 0 1 1

Alice 0 0 1 -

LA MATRIZ DE ADYACENCIA
La forma ms comn de matriz en el anlisis de redes sociales es una matriz simple compuesta por tantas filas y columnas como actores existan en el conjunto de datos y dnde los elementos representan los vnculos entre los actores. La ms simple y comn de las matrices es la matriz binaria. Es decir, si existe un vnculo, se coloca un 1 en la celda, si no lo hay se escribe un cero. Este tipo de matriz es el punto de partida de casi todos los anlisis de redes y se llama matriz de adyacencia porque representa quin est cerca de quin, o adyacente a quin en el espacio social mostrado por las relaciones que hemos medido. Por convencin, en un grafo dirigido el origen de un vnculo es la fila y el objeto es la columna. Ve amos un ejemplo simple. El grafo dirigido de las preferencias de amistad entre Bob, Carol, Ted y Alice sera como sigue:

Ya que los vnculos se miden en el nivel nominal (es decir, los datos son datos binarios de preferencias), se puede representar la mi sma informacin en una matriz como la siguiente:

B B C T A 1 1 0

C 1 1 0

T 0 1 1

A 0 0 1 -

Es necesario tener presente que las filas representan el origen de los vnculos dirigidos y las columnas los destinos: Bob escogi a Carol, pero Carol no lo escogi a l. ste es un ejemplo de una matriz asimtrica que representa vnculos dirigidos (vnculos que van de un origen a un receptor). Es decir, el elemento i,j no necesariamente es igual que el elemento j,i. Si los vnculos que representamos en nuestra matriz fueran vnculos recprocos (por ejemplo, vnculos que representan la relacin es compaero de negocios de ... ), o de co-presencia o concurrencia , (e.g. dnde los vnculos representan una relacin como trabaja en el mismo grupo de di rectores que... ) la matriz necesariamente sera simtrica; es decir, el elemento i,j sera igual al elemento j,i. Los datos de preferencias binarias a menudo se representan con ceros y unos, indicando la presencia o ausencia de cada relacin lgica posibl e entre pares de actores. Los grafos dirigidos se representan en forma de matriz (a menudo) con 1, 0 y +1 para indicar relaciones negativas, nulas o neutrales y

relaciones positivas. Cuando se miden los vnculos de forma ordinal o de intervalo, la magnitud numrica del vnculo medido se coloca como un elemento de la matriz. Como hemos discutidos en el captulo uno, hay otras formas posibles de datos (multicategora nominal, ordinales con ms de tres rangos, nominales con orden de rangos totales). Estas ot ras formas, sin embargo, raramente se utilizan en estudios sociolgicos y no les prestaremos mucha atencin.

En la representacin de datos de redes sociales como matrices, la pregunta que siempre surge es: qu hago con los elementos de la matriz donde i=j? Es decir, por ejemplo, Bob se ha considerado como amigo cercano de l mismo? A esta parte de la matriz se le conoce como la diagonal principal. A veces, el valor de la diagonal principal carece de significado y se ignora (se deja en blanco). A veces, sin embargo, la diagonal principal puede ser de gran importancia, y puede tomar valores muy significativos. Esto es particularmente cierto cuando las lneas y las columnas en nuestra matriz son supernodos o bloques . Veremos esto en breve. A menudo es conveniente hacer referencia a ciertas partes de una matriz utilizando una terminologa resumida. Si se toman todos los elementos de una fila (por ejemplo, a quines escoge a Bob como amigos: 1,1,1,0), se examina el vector fila para Bob. Si slo se observa quin escoge a Bob como amigo (la primera columna o 1,0,1,0), se examina el vector columna para Bob. A veces es til hacer ciertas operaciones con los vectores fila o los vectores columna. Por ejemplo, si se suman los elementos de los vectores columnas e n este ejemplo, puede obtenerse la medida de cun popular es cada nodo (en trminos de con cunta frecuencia fueron objeto de un vnculo dirigido de amistad).

PERMUTACI N, BLOQUES E IMGENES DE MATRICES

Tambin es til, a veces, reorganizar las filas y c olumnas de una matriz de forma tal que pueda observarse los patrones de manera ms clara. Al intercambio de filas y columnas (si se quiere reagrupar las filas, se deber reagrupar las columnas de la misma forma o la matriz no tendr sentido para la mayora de operaciones), se le conoce como permutacin de la matriz. Nuestros datos originales seran: Bob Bob Carol 1 Ted 0 Alice 0

Carol Ted Alice

1 1 0

1 0

1 1

0 1 -

Reorganicemos (permutemos) la matriz de forma tal que los dos hombres y las dos mujeres sean adyacentes en la matriz. La permutacin de la matriz simplemente significa el cambio del orden de las lneas y columnas. En tanto que la matriz es simtrica, si se cambia la posicin de una lnea, se debe cambiar la posicin de su columna c orrespondiente.

Bob Bob Ted Carol Alice 1 0 0

Ted 1 1 0

Carol 1 1 1

Alice 0 1 0 -

Ninguno de los elementos ha visto cambiar sus valores a travs de esta operacin o reorganizado las filas y las columnas, slo se han cambiado las cosas de sitio. Tambin se han resaltado algunas zonas de la matriz. Cada seccin coloreada se denominada bloque. Los bloques se forman trazando lneas de divisin a travs de las filas y columnas de la matriz (por ejemplo, entre Ted y Carol). El trazado de estas lnea s divisorias a travs de la matriz suele llamarse particin de la matriz. Esta matriz la hemos dividido en funcin del sexo de los actores. La particin a veces es conocida como el proceso de hacer bloques en una matriz ya que la particin produce bloqu es.

Este tipo de agrupamiento de celdas con frecuencia se hace en anlisis de redes para entender cmo algunos conjuntos de actores se encuentran inmersos en roles sociales o en entidades grandes. Aqu, por ejemplo, puede verse que todos los ocupantes de l rol social conocido como mujer escoge a los dems como su amigo; que ninguna mujer escoge a otra como su amiga, y que los hombres son ms propensos a escoger mujeres (se han seleccionado 3 de cuatro posibilidades), que las mujeres a escoger hombres (s e han seleccionado slo 2 de las cuatro posibles combinaciones). Se ha agrupado a las mujeres juntas para crear una particin , supernodo , rol social o bloque . A menudo se dividen matrices de redes sociales de esta forma para identificar y probar ideas acerca de la forma en que los actores se encuentran involucrados en roles sociales u otros contextos . Puede quererse evitar el anlisis de los nodos individuales y examinar slo posiciones o roles. Si se calcula la proporcin de todos los vnculos que estn presentes en un bloque, se puede crear una matriz de bloques de densidad. Haciendo esto se ignoran los vnculos reflexivos de nuestro ejemplo:

Matriz de bloques de densidad Hombre Hombre Mujer 1.00 0.50 Mujer 0.75 0.00

Se puede querer agrupar la informacin an ms, utilizando una imagen de bloque o matriz Imagen. Si la densidad en un bloque es mayor que una cantidad dada (a menudo se utiliza la densidad promedio para la totalidad de la matriz como una puntuacin de corte, en el actual eje mplo la densidad es .58), se introduce un 1 en una celda de la matriz de bloques, y un 0 en caso contrario. Este tipo de simplificacin se llama imagen de la matriz de bloques.

Matriz Imagen Hombre Mujer Hombre Mujer 1 0 1 0

Las imgenes de matrices de bloques son herramientas muy tiles en la simplificacin de estructuras complejas de datos. Como cualquier

procedimiento de simplificacin, debe utilizarse el buen juicio en la decisin de cmo identificar los bloques y qu cortes utilizar e n la creacin de imgenes o se podra perder informacin importante.

OPERACIONES MATEMTICAS CON MATRICES

La representacin de los vnculos entre los actores a travs de matrices puede ser de ayuda para observar estructuras de relaciones mediante la reali zacin de manipulaciones simples como la suma de vectores fila o la particin de una matriz en bloques. Los analistas de redes sociales utilizan una gran cantidad de operaciones matemticas adicionales que pueden desarrollarse con matrices para una gran variedad de propsitos (suma y resta de matrices, trasposiciones, inversas, multiplicacin de matrices y otras exticas como determinantes, autovalores y autovectores). Sin pretender ensear lgebra de matrices, es til conocer al menos un poco sobre estas o peraciones matemticas y para qu se utilizan en el anlisis de redes sociales.
Trasposicin de una matriz

Esto es, simplemente, el intercambio de filas y columnas de forma tal que i se convierte en j y viceversa. Si se toma la matriz traspuesta de una mat riz de adyacencia directa y se examinan sus vectores fila, se estar observando los orgenes de los vnculos dirigidos a un actor. El grado de similitud entre una matriz de adyacencia y esta matriz traspuesta, es una forma de resumir el grado de simetra en el patrn de relaciones entre los actores. Es decir, la
10

correlacin entre una matriz de adyacencia y la traspuesta de esa matriz es la medida del grado de reciprocidad de los vnculos. La reciprocidad de los vnculos puede ser una propiedad muy important e de una estructura social ya que se refiere tanto al equilibrio como al grado y forma de la jerarqua de una red.
Inversa de una matriz

Se trata de una operacin matemtica que origina una matriz tal que al multiplicarla por la matriz original, produce un a matriz nueva con nmeros 1 en la diagonal principal y cero en las dems posiciones (esto recibe el nombre de matriz de identidad). Sin ahondar en este tema, puede pensarse que la inversa de una matriz es un tipo opuesto de la matriz original. Las matr ices inversas se utilizan para hacer otros clculos en el anlisis de redes sociales. Sin embargo, a veces tambin es interesante estudiarlas en s mismas. Es algo similar a mirar un rtulo negro sobre un papel blanco en contraste con un rtulo en blanco sobre un papel negro: a veces pueden observarse cosas diferentes.
Suma y resta de matrices

stas son las operaciones matemticas con matrices ms fciles. Simplemente se suma o resta cada elemento correspondiente i,j de dos (o ms) matrices. Por supuesto, para realizar esto, las matrices deben tener el mismo nmero de elementos i y j (a esto se le llama matrices compatibles con la adicin y la sustraccin) y los valores de i y j deben estar en el mismo orden en cada matriz. A menudo, la suma y la resta de matrices se utilizan en anlisis de redes cuando se intenta simplificar o reducir la complejidad de mltiples datos a formas simples. Si se tiene una matriz simtrica que representa el vnculo intercambio de dinero y otra que representa la relacin in tercambio de bienes , puede sumarse las dos matrices para indicar la intensidad de la relacin de intercambio. Las parejas con una puntuacin cero no tendrn ninguna relacin, aquellas con un 1 estarn vinculadas bien por el trueque o bien por un
11

intercambio de productos; y aquellos con una puntuacin de 2 podran estar vinculados tanto por relaciones de trueque como por intercambio de productos. Si se sustrae la matriz de intercambio de bienes de aqulla de intercambio de dinero , una puntuacin d e 1 indicara parejas con una relacin de trueque; una puntuacin de cero indicara o bien ninguna relacin o una relacin de trueque o intercambio de productos y una puntuacin de +1 indicara parejas que slo poseen una relacin de intercambio de produc tos. Uno u otro enfoque son tiles segn las preguntas de investigacin planteadas.
Correlacin y regresin de matrices

La correlacin y regresin de matrices son maneras de describir la asociacin o similitud entre las matrices. La correlacin interroga a dos matrices acerca de cun similares son . La regresin utiliza las puntuaciones de una matriz para predecir las puntuaciones en la otra. Si queremos saber cun similar es la matriz A a la B, se toma cada elemento i,j de la matriz A, se compara con el mismo elemento i,j de la matriz B, y se calcula la medida de asociacin (qu medida se utilice depende del nivel de medida de los vnculos en las dos matrices). La regresin de matrices realiza esta misma operacin con los elementos de una matriz definidos como las observaciones de la variable dependiente y los correspondientes elementos i,j de otra matriz que se han definido como las observaciones de las variables independientes. Estas herramientas son utilizadas por los analistas de redes sociales para el mismo propsito que persiguen aquellos que no lo son: evaluar la similitud o correspondencia entre dos distribuciones de puntuaciones. Podemos, por ejemplo, preguntar qu tan similar es el patrn de vnculos de amistad entre actores a su patrn de parente sco. Podemos querer ver hasta qu punto es posible predecir qu naciones tienen buenas relaciones diplomticas con otras sobre la base de la importancia de los flujos comerciales entre ellas.

12

Multiplicacin y multiplicacin Booleana de matrices

La multiplicacin de matrices es una operacin un tanto infrecuente, pero puede ser muy til para el analista de redes. Es necesario tener un poco de paciencia en este apartado. Primero, necesitamos mostrar cmo hacer una multiplicacin de matrices y unos pocos resu ltados importantes (como qu sucede si se multiplica una matriz de adyacencia por s misma, o si se eleva a una potencia). Intentaremos, entonces explicar la utilidad de stas

operaciones.

Para multiplicar dos matrices, stas deben ser compatibles con l a multiplicacin. Esto significa que el nmero de filas en la primera matriz debe ser igual al nmero de columnas en la segunda. Con frecuencia, los analistas de redes utilizan matrices de adyacencia, que son cuadradas y, por tanto, compatibles con la multiplicacin. Para multiplicar dos matrices, se comienza en la esquina superior izquierda de la primera matriz, y se multiplica cada celda en la primera fila de la primera matriz por el valor en cada celda de la primera columna de la segunda matriz, y luego se suman los resultados. Se procede de igual forma para cada celda en cada fila de la primera matriz, multiplicada por la columna en la segunda. Para realizar una multiplicacin booleana de matrices, el proceso es el mismo, pero se introduce un cero en la celda si el producto de la multiplicacin es cero y un uno si el producto es diferente de cero.

Supongamos que queremos multiplicar estas dos matrices:

0 2 4

1 3 5
*

6 9

7 10

8 11

El resultado es:

(0*6)+(1*9 (0*7)+(1*10 (0*8)+(1*11

13

(2*6)+(3*9 (2*7)+(3*10 (2*8)+(3*11 ) ) )

(4*6)+(5*9 (4*7)+(5*10 (4*8)+(5*11 ) ) )

La operacin matemtica en s misma no nos interesa (muchas aplicaciones pueden ejecutar una multiplicacin de matrices). Sin embargo, la operacin es til cuando se aplica a una matriz de adyacencia. Veamos de nuevo a nuestros amigos:

La matriz de adyacencia para los cuatro actores B, C, T y A (en ese orden) es:

0 0 1 0

1 0 1 0

1 1 0 1

0 0 1 0

Otra forma de pensar en esta matriz, es advertir qu nos dice si hay un camino de un actor a otro. Un 1 representa la presencia de un camino, un cero representa la ausencia de ste. La matriz de adyacencia es exactamente lo que su nombre sugiere nos dice cules actores son cercanos o tienen un camino directo de uno a otro.

Ahora, supongamos que multiplicamos esta matriz de adyacencia por s misma (por ejemplo elevando la matriz a 2, o al cuadrado).
(0*0)+(1*0)+(1*1)+(0*0) (0*0)+(0*0)+(1*1)+(0*0) (0*1)+(1*0)+(1*1)+(0*0) (0*1)+(0*0)+(1*1)+(0*0) (0*1)+(1*1)+(1*0)+(0*1) (0*1)+(0*1)+(1*0)+(0*1) (0*0)+(1*0)+(1*1)+(0*0) (0*0)+(0*0)+(1*1)+(0*0)

14

(1*0)+(1*0)+(0*1)+(1*0) (0*0)+(0*0)+(1*1)+(0*0)

(1*1)+(1*0)+(0*1)+(1*0) (0*1)+(0*0)+(1*1)+(0*0)

(1*1)+(1*1)+(0*0)+(1*1) (0*1)+(0*1)+(1*0)+(0*1)

(1*0)+(1*0)+(0*1)+(1*0) (0*0)+(0*0)+(1*1)+(0*0)

O lo que es lo mismo: 1 1 0 1 1 1 1 1 1 0 3 0 1 1 0 1

Esta matriz (por ejemplo, la matriz cuadrada de adyacencia) cuenta el nmero de caminos entre dos nodos que tienen longitud dos. Detengmonos por un minuto y verifiquemos esta afirmacin. Por ejemplo, ntese que el actor B est conectado con cada uno de los dems actores por un camino de longitud dos; y que no hay ms que un camino como ese a ningn otro actor. El actor T est tres veces conectado a s mismo por caminos de longitud dos. Esto es porque el actor T tiene vnculos recprocos con cada uno de los otros tres actores. No hay camino de longitud dos de T a B (aunque hay un camino de longitud uno).

Entonces, la matriz de adyacencia nos dice cuntos caminos de longitud uno hay de cada actor a los dems. La matriz cuadrada de adyacencia, nos dice cuntos caminos de longitud dos hay de cada actor a los dems. Tambin es cierto (pero ahora no lo demostraremos) que la matriz de adyacencia elevada al cubo indica el nmero de caminos de longitud tres de cada a ctor a los dems, y as sucesivamente...

Si calculamos el producto booleano, adems del simple producto de la matriz, la matriz cuadrada de adyacencia nos dir dnde hay un camino de longitud dos entre dos actores (no cuntos caminos de este tipo hay). Si tomamos la matriz booleana cuadrada y la multiplicamos por la matriz de adyacencia utilizando una multiplicacin booleana, el resultado nos indicar qu actores estaban conectados por uno o ms caminos de longitud tres, y as sucesivamente...
15

Finalmente, a qu debe prestarse atencin?

Algunas de las propiedades fundamentales de una red social tienen que ver con cmo estn conectados los actores a los dems. Las redes que tienen pocas o dbiles conexiones o actores conectados slo por caminos de gran longitud, pueden mostrar baja solidaridad, una tendencia a quedar apartados, lentitud de respuesta a estmulos y otras caractersticas similares. Las redes que poseen conexiones ms fuertes con caminos pequeos entre los actores pueden ser ms robustas y ms capaces de responder con rapidez y efectividad. La medicin del nmero y longitud de los caminos entre los actores en una red nos permite catalogar estas tendencias importantes en toda red.

Las posiciones de los actores individuales en las redes son tambi n descritas muy tilmente por el nmero y la longitud de los caminos que poseen con otros actores. Los actores que tienen muchos caminos hacia otros actores pueden ser ms influyentes sobre ellos. Los actores que tienen caminos cortos a muchos otros actores pueden ser figuras influyentes o centrales. Entonces, el nmero y la longitud de los caminos en una red son muy importantes para entender tanto las limitaciones individuales como las oportunidades y para entender el comportamiento y potenciales de la r ed en su totalidad.

Hay muchas medidas de la posicin individual y global de la red que se basan en dnde se encuentran los caminos de longitudes determinadas entre los actores, la longitud del camino ms corto entre dos actores y el nmero de caminos entre actores. De hecho, la mayora de las medidas bsicas de las redes (captulo 5), medidas de centralidad y poder (captulo 6) y las medidas de agrupamiento y subestructuras de red (captulo 7) se basan en un exmen de la cantidad y longitud de los caminos entre los actores.

16

RESUMEN
Las matrices son conjuntos de elementos dispuestos en filas y columnas. A menudo se utilizan en anlisis de redes para representar la adyacencia de cada actor a cada uno de los dems en una red. Una matriz de adyacencia es una matriz cuadrada de actor por actor ( i=j), donde la presencia de vnculos se registran como elementos. La diagonal principal, o vnculo reflexivo de una matriz de adyacencia, a menudo se ignora en el anlisis de redes.

Los sociogramas, o grafos de redes pueden representarse en forma de matriz, y pueden hacerse operaciones matemticas para resumir la informacin en el grafo. Operaciones con vectores, formacin de bloques y particiones y matemticas de matrices (inversas, traspuestas, adicin, sustraccin,

multiplicacin y multiplicacin booleana) son operaciones matemticas que resultan en ocasiones tiles para permitirnos observar ciertas cosas en relacin con las estructuras de relaciones en redes sociales.

Los datos de redes sociales son, a menudo, mlt iples (por ejemplo, hay mltiples tipos de vnculos entre los actores). Tales datos se representan como series de matrices de igual dimensin con los actores en igual posicin en cada matriz. Muchas de las mismas herramientas que se utilizan para trabajar con una matriz individual (suma y correlacin de matrices, formacin de bloques, etc.), son tiles para intentar resumirlas y observar los patrones en datos mltiples.

Una vez que un patrn de relaciones sociales, o un vnculo entre un conjunto de actores se ha representado de una manera formal (grafos o matrices), podemos definir algunas ideas importantes sobre la estructura social en formas ms precisas valindonos para ello de las matemticas. En el resto captulos observaremos cmo los analistas de red es han traducido formalmente algunos de los conceptos centrales que los cientficos sociales utilizan para describir las estructuras sociales.

17

Preguntas de estudio

1. Si una matriz es 3 por 2 , cuntas columnas y cuntas filas tiene? 2. Las matrices de adyacencia son cuadradas , por qu? 3. Si hay un 1 en la celda 3,2 de una matriz de adyacencia que representa un sociograma, qu nos indica? 4. Qu quiere decir permutar una matriz y hacer bloques con una matriz?

Preguntas aplicadas

1. Pensar en lecturas de un curso de anlisis de redes sociales. Algunos trabajos presentan matrices? Si lo hacen, qu clase de matrices son? (es decir, cul es la descripcin tcnica del tipo de grafo o matriz). Tomar un artculo y mostrar los datos en forma de matriz. 2. Pensar en algn grupo pequeo del que se sea miembro (quizs un club, un grupo de amigos, o gente que vive en el mismo complejo de apartamentos, etc.). Qu clase de relaciones entre ellos nos dira algo sobre las estructuras sociales de esta poblacin? Intentar pre parar una matriz que represente uno de los tipos de relaciones escogido. Puede aplicarse esta matriz tambin para describir un segundo tipo de relacin? (por ejemplo, una puede comenzar con Quin le agrada a quin? y luego aadir Quin est ms tiemp o con quin? ) 3. Utilizando las matrices creadas en el punto anterior tiene sentido dejar la diagonal en blanco o no?. Intentar permutar y hacer bloques con la matriz. 4. Es posible hacer una matriz de adyacencia para representar una red estrella ? Qu sucede con la lnea y el crculo . Observar los unos y ceros en estas matrices a veces podemos reconocer la presencia de ciertos tipos de relaciones sociales por estas representaciones digitales . A qu se parece una jerarqua estricta? A qu se parec e una poblacin que est segregada en dos grupos?

18

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAPITULO QUINTO

Robert A. Hanneman. Departamento de Sociologa de la Universidad de California Riverside.

NOTA PREVIA
Este documento esta traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en http://wizard.ucr.edu/~rhannema/networks/text/textindex.html [Consulta: 20-02-02]. Este captulo ha sido traducido por Jos Luis Molina.

CAPTULO V. PROPIEDADES BSICAS DE LAS REDES Y DE LOS ACTORES

La perspectiva de redes implica tener en cuenta mltiples niveles de anlisis. Las diferencias entre los actores son interpretadas en base a las limitaciones y oportunidades que surgen de la forma en que stos estn inmersos en las redes; la estructura y el comportamiento de las redes est basado en y activado por las interacciones locales entre los actores. A medida que examinemos algunos de los conceptos bsicos y definiciones del anlisis de redes sociales en este captulo y en los siguientes, esta dualidad entre individuo y estructura se pondr de manifiesto una y otra vez. En este captulo examinaremos algunos de las ms obvias y menos complejas ideas de los mtodos formales de anlisis de redes. A pesar de la simplicidad de las ideas y definiciones, hay buenas razones tericas (y alguna evidencia emprica) para creer las propiedades bsicas de las redes sociales tienen importantes consecuencias. Tanto para los individuos como para las estructuras una cuestin de fundamental importancia es la de las conexiones. Normalmente, algunos actores tienen muchas conexiones mientras que otros tienen pocas, especialmente cuando las poblaciones se convierten en grandes y no todas las conexiones posibles estn presentes existen agujeros estructurales. Hasta qu punto los individuos estn conectados unos con otros y hasta qu punto la red en su conjunto est integrada, son las dos caras de la misma moneda. Las diferencias en cmo los individuos estn conectados puede ser extremadamente til para entender sus atributos y comportamiento. Muchas conexiones significa a menudo que los individuos se exponen todava a ms y ms diversa informacin. Individuos bien conectados pueden ser ms influyentes y pueden estar ms influenciados por otros. Las diferencias en el grado de conexin de poblaciones completas puede tener tambin importantes consecuencias. La enfermedad y los rumores se extienden muy rpidamente donde hay altas tasas de conexiones. Pero tambin lo hace la informacin til. Las poblaciones ms conectadas puede ser ms capaces para movilizar sus recursos y tambin pueden disponer de mltiples y diversas perspectivas para resolver problemas. Entre el individuo y la poblacin hay otro nivel de anlisis el de la composicin. Algunas poblaciones pueden estar compuestas de individuos que son bastantes similares en la forma en la que estn conectados. Otras poblaciones pueden ostentar claras diferencias, con una pequea 3

elite de personas centrales y conectadas y una gran masa de personas con pocas conexiones. Las diferencias en conexiones pueden explicarnos algo acerca de cmo estn estratificados los grupos sociales. A causa de que muchos individuos no estn usualmente conectados directamente a la mayor parte de otros individuos en una poblacin, puede ser bastante importante ir ms all simplemente examinando las conexiones inmediatas de los actores y la densidad media de las conexiones directas en poblaciones. El segundo conjunto de aproximaciones ms importante que examinaremos en este captulo tiene que ver con la idea de distancia entre los actores (o, llanamente, cmo de cerca uno est de otro). Algunos actores pueden ser capaces de alcanzar a la mayor parte del resto de actores de la poblacin con poco esfuerzo: se lo cuentan a sus amigos, stos a los suyos y todo el mundo lo sabe. Otros actores, en cambio, pueden tener dificultades para enterarse. Ellos pueden explicar cosas a la gente, pero la gente con la que se relacionan no est bien conectada y el mensaje no llega muy lejos. Tambin es posible que si mis amigos y yo tenemos amigos en comn, mi red est bastante limitada, aunque tenga bastantes amigos. En cambio, si mis amigos tienen conexiones no redundantes el rango de mis conexiones se expande. Si los individuos difieren en su cercana al resto de actores, entonces la posibilidad de estratificacin a lo largo de esta dimensin crece. Adems, una diferencia importante entre las clases sociales es no tanto el nmero de conexiones que los actores tienen, sino cules de esas conexiones se superponen y limitan o extienden o proporcionan oportunidades. Las poblaciones en su conjunto, entonces, pueden diferir en cmo de cerca estn los actores a otros actores de media. Tales diferencias pueden ayudarnos a entender la difusin, homogeneidad, solidaridad y otras diferencias en las propiedades macro de los grupos sociales. Los mtodos de las redes sociales tienen un vocabulario para describir la conectividad y la distancia que podra, de entrada, parecer bastante formal y abstracto. Esto no es sorprendente ya que muchas de las ideas estn tomadas directamente de las teora matemtica de grafos. Pero vale la pena el esfuerzo de batallar con la jerga. La precisin y el rigor de las definiciones nos permite comunicar claramente las propiedades importantes de la estructuras sociales ya menudo lleva a perspectivas que no habran sido posibles si hubisemos usado aproximaciones menos formales.

UN EJEMPLO
Las propiedades bsicas de las redes son fciles de aprender y comprender con ejemplos. Estudiar un ejemplo tambin proporciona aplicaciones sociolgicamente significativas de la aplicacin de formalismos. En este captulo observaremos una red binaria dirigida simple que describe el flujo de informacin entre 10 organizaciones formales preocupadas por el bienestar social en una ciudad del medio Oeste de los Estados Unidos (Knoke and Burke). Por supuesto, los datos reticulares pueden obtenerse de formas variadas (relaciones no dirigidas, mltiples lazos, relaciones valoradas, etc.) y un ejemplo no puede contener todas las posibilidades. Sin embargo, pueden ser bastante sorprendente observar cunta informacin puede ser exprimida de una simple matriz binaria usando los conceptos bsicos de grafos. Para redes pequeas, es a menudo til examinar directamente el grafo. Aqu tenemos un dgrafo (grafo dirigido) para los datos de la red de intercambio de informacin de Knoke:

Un ojo entrenado debera percibir inmediatamente unas cuantas cuestiones simplemente observando el grafo. Existen un nmero limitado de actores aqu (diez, de hecho) y todos ellos estn conectados. Pero, claramente no todas las conexiones posibles estn presentes y hay algunos agujeros estructurales (o al menos pequeos agujeros en la red social). Parecen existir algunas diferencias en cmo los actores estn conectados (compara el actor nmero 7, un peridico, con el actor nmero 6, una organizacin para la defensa de los derechos sociales). Si se observa atentamente se podr ver que algunas conexiones de los actores son probablemente recprocas (esto es, A comparte informacin con B, B tambin comparte informacin con A); algn otro actor (e.g. 6 y 10 son probablemente ms emisores que receptores 5

de informacin). Como resultado de la variacin en cmo los actores estn conectados y si los lazos son recprocos, algunos actores pueden estar a bastante distancia de otros. Parecen haber grupos de actores que difieren en este sentido ( (1, 2, 4, 5, and 6 parecen estar en el centro de la accin, 6, 9, y 10 parecen ser ms perifricos). Una cuidadosa mirada al grafo puede ser muy til para obtener una nocin intuitiva de las importancia de las caractersticas de una red social. Con grandes poblaciones o muchas conexiones, sin embargo, los grafos no son de mucha ayuda. Observando el grafo podemos disponer de una buena visin intuitiva de lo que est pasando, pero nuestras descripciones de lo que vemos son bastante imprecisas (el prrafo anterior es un ejemplo de esto). Para ser ms precisos, utilizar ordenadores que apliquen algoritmos para calcular las medidas matemticas de las propiedades de los grafos, es necesario trabajar con matrices de adyacencia en lugar de con grafos.
1COUN 1COUN 2COMM 3EDUC 4INDU 5MAYR 6WRO 7NEWS 8UWAY 9WELF 10WEST --1 0 1 1 0 0 1 0 1 2COMM 1 --1 1 1 0 1 1 1 1 3EDUC 0 1 --0 1 1 0 0 0 1 4INDU 0 1 1 --1 1 1 1 0 0 5MAYR 1 1 1 1 --1 1 1 1 1 6WRO 0 0 1 0 0 --0 0 0 0 7NEWS 1 1 1 1 1 1 --1 1 1 8UWAY 0 1 0 0 1 0 0 --0 0 9WELF 1 1 0 0 1 1 0 1 --0 10WEST 0 0 1 0 1 0 0 0 0 ---

Hay diez filas y columnas, los datos son binarios y la matriz asimtrica. Como mencionamos en el captulo en el que usamos matrices para representar redes , la fila es tratada como la fuente de informacin y la columna como la receptora. Haciendo algunas operaciones muy simples sobre esta matriz es posible desarrollar un til y sistemtico ndice de nmeros o medidas de algunas de las propiedades de la red que identificamos a simple vista en el grafo.

CONEXIONES
Desde que las redes estn definidas por sus actores y las conexiones entre ellos, es til empezar nuestra descripcin de las redes examinando esas propiedades simples. Centrndonos en primer lugar en la red en su conjunto, uno podra estar interesado en el nmero de actores, el nmero de conexiones que son posibles y el nmero de conexiones efectivamente existentes. Diferencias en el tamao de las redes y en cmo los actores estn conectados, nos explican dos cosas acerca de las poblaciones humanas que son crticas. Pequeos grupos difieren de los grandes grupos en muchos sentidos importantes adems, el tamao de la poblacin es una de las variables ms importantes en el anlisis sociolgico. Las diferencias en cmo estn conectados los actores en una poblacin pueden ser un indicador clave de la solidaridad, la densidad moral y la complejidad de su organizacin social . Los individuos, al igual que las redes, difieren en esas caractersticas demogrficas bsicas. Los actores individuales pueden tener pocos o muchos lazos. Los individuos pueden ser fuentes de relaciones, agujeros (actores que reciben pero no emiten) o ambos. Esas clases de diferencias bsicas entre las conexiones inmediatas de los actores puede ser crtica explicando cmo ellos ven el mundo y cmo el mundo los ve a ellos. El nmero de clases de lazos que los actores tienen constituyen la base para la similitud o diferencia en relacin a otros actores y por tanto la posible diferenciacin o estratificacin. El nmero y clase de lazos que los actores tienen son claves para determinar has qu punto su inclusin en la red limita su conducta y el rango de oportunidades, influencia y poder que tienen. Es posible que una red no est completamente conectada. Se trata de una cuestin de accesibilidad. Pueden existir dos o ms grupos desconectados en la poblacin. Si no es posible que todos los actores puedan alcanzar al resto de los actores, entonces nuestra poblacin est formada por ms de un grupo. Los grupos pueden ocupar el mismo espacio o tener el mismo nombre pero no todos los miembros estn conectados. Obviamente, tales divisiones en las poblaciones pueden ser sociolgicamente relevantes. Desde el momento que una red no est conectada pueden darse las condiciones para estratificacin y conflicto. Al nivel individual, el grado al cul un actor puede alcanzar otros indica hasta qu punto los individuos estn separados del conjunto, o hasta qu punto estn aislados. Tal aislamiento puede tener una significacin psicosocial. Si un actor no puede alcanzar o no puede ser alcanzado por otro, entonces puede que no exista aprendizaje, ayuda o influencia entre los dos. 7

Otra manera til de mirar a las redes como un conjunto y la manera en la cul los individuos estn inmersos en ella, es examinar las estructuras locales. Las aproximaciones ms comunes se han centrado en las dadas (series de dos actores) y en las tradas (series de tres actores). Con datos dirigidos, hay cuatro posibles relaciones didicas: A y B no estn conectados, A emite a B, B emite a A o A y B emiten mutuamente (con relaciones recprocas slo hay dos relaciones posibles relacin o ausencia de relacin). Puede ser til mirar a cada actor en trminos de las clases de relaciones didicas en las cules est inmerso. Un actor que emite pero no recibe puede ser bastante diferente de uno que emite y recibe relaciones. Un inters comn en el anlisis de las relaciones didicas es hasta qu punto los lazos son recprocos. Algunos tericos sienten que existe una tendencia entre las dadas de disponer bien de relaciones equilibradas bien a que sean nulas y que los lazos asimtricos pueden ser inestables. Por supuesto, uno puede examinar la red en su conjunto y tambin las diferencias individuales. En un sentido, una red que tiene un predominio de lazos nulos o recprocos por encima de las conexiones asimtricas puede ser ms igualitaria o estable que otra en la que predominan las relaciones asimtricas (la cual podra ser ms bien una jerarqua). Los tericos de los pequeos grupos argumentan que muchas de las ms interesantes y bsicas cuestiones de la estructura social se manifiestan cuando se examinan las tradas. Tradas permiten un rango mucho mayor de relaciones posibles (con relaciones dirigidas hay de hecho 64 tipologas posibles de relaciones entre tres actores!), incluyendo las relaciones que exhiben jerarqua, igualdad, y la formacin de grupos exclusivos (e.g. el caso en el dos actores se conectan y excluyen a un tercero). As, un pequeo grupo de investigadores sugieren que realmente todas las formas de relaciones sociales pueden ser observadas en tradas. A causa de este inters, podemos realizar un censo de tradas para cada actor y para la red en su conjunto. En particular podemos estar interesados en la proporcin de tradas que son transitivas (esto es, exhiben un tipo de equilibrio en el que si A dirige un lazo a B, y B dirige un lazo a C, entonces A tambin dirige un lazo a C). Estas tradas transitivas o equilibradas son propuestas por algunos investigadores como el equilibrio o el estado natural hacia el cul las relaciones tridicas tienden (no todos los tericos estaran de acuerdo!).

Por tanto, hay realmente bastante que aprender acerca de cmo los actores estn inmersos en las redes y de la estructura de la red examinando las adyacencias. Volvamos a nuestros datos sobre organizaciones en el campo del bienestar social y apliquemos esas ideas.

TAMAO, DENSIDAD Y GRADO

El tamao de una red es a menudo muy importante. Imaginemos un grupo de 12 estudiantes en un seminario. No sera difcil que los doce estudiantes se conociesen entre s bastante bien y desarrollasen relaciones de intercambio (por ejemplo, compartir apuntes). Ahora imaginemos una gran clase de 300 estudiantes. Sera extremadamente difcil para cualquier estudiante conocer a todos los otros y sera virtualmente imposible una red nica para compartir apuntes. El tamao es crtico para la estructura de las relaciones sociales a causa de los recursos limitados y las capacidades de que cada actor dispone para construir y mantener lazos. A medida que el grupo crece, la proporcin de todos los lazos que pudiesen (lgicamente) estar presentes ---densidad disminuir y muy probablemente emergern grupos y facciones diferenciados. Nuestra red de ejemplo tiene 10 actores. Usualmente el tamao de la red se obtiene simplemente contando el nmero de nodos. Si en una red existen (k * k-1) pares nicos de actores ordenados (esto es, AB es diferente de BA y se dejan de lado los lazos reflexivos), donde k es el nmero de actores. Puedes intentar verificar esta afirmacin por ti mismo en pequeas redes. Por tanto, en nuestra red de 10 actores, con datos dirigidos, existen 90 relaciones lgicamente posibles. Si tuvisemos lazos recprocos o simtricos el nmero sera 45 desde el momento que las relacin AB es la misma que la BA. El nmero de relaciones lgicamente posibles crece entonces exponencialmente a medida que el nmero de actores se incrementa linealmente. Por tanto, se deduce que el nmero lgicamente posible de estructuras sociales se incrementa (o, por definicin, se incrementa la complejidad) exponencialmente con el tamao. Redes completamente saturadas (por ejemplo una en la cual todos los lazos lgicamente posibles estn de hecho presentes) son empricamente raras, especialmente cuando existen ms de unos cuantos actores en una poblacin. Es til observar hasta qu punto una red est a punto de alcanzar todo su potencial. Esto significa examinar la densidad de los lazos, la cual se define como la proporcin de 9

relaciones existentes en relacin a las posibles. Por esto es importante el informe de la rutina de estadstica univariada de UCINET.
(Para la matriz completa) ********************* Mean 0.54 Std Dev 0.50 Sum 49 Variance 0.25 Minimum 0 Maximum 1 N of Obs 90

Notas: La media es 0.54. Esto es, la media del conjunto de todas las relaciones posibles (ignorando los lazos reflexivos) es 0,54. Dado que los datos son binarios esto significa que el 54% de todos los lazos posibles estn presentes (o lo que es lo mismo: la densidad de la matriz). La desviacin estndar es una medida de cunta variacin hay entre elementos. Si todos los elementos fuesen un 1 o todos un 0, la desviacin estndar seria 0 no habra variacin. Aqu, la variabilidad media de un elemento a otro es 0,50, casi tan grande como la media. Por lo tanto, podra decirse que hay relativamente una gran cantidad de variacin en las relaciones. Con datos binarios , la mxima variabilidad en los lazos o la mxima incertidumbre sobre si cualquier lazo dado puede estar presente o ausente se realiza en la densidad de 0.50. A medida que la densidad se aproxima a uno o alternativamente a cero, la desviacin estndar y la varianza entre lazos se reduce.

Dado que los datos en nuestro ejemplo son asimtricos (esto es, lazos o relaciones dirigidas), podemos distinguir entre relaciones enviadas y relaciones recibidas. Observando la densidad para cada fila y para cada columna, podemos saber un poco acerca de la manera en la cul los actores estn inmersos en la densidad global. Aqu tenemos al modo de las filas los estadsticos univariados de nuestro ejemplo tomado de UCINET:
(para las filas o emisoras de lazos) ************************************* Mean Std D Sum Var ------------1 0.44 0.50 4.00 0.25 2 0.78 0.42 7.00 0.17 3 0.67 0.47 6.00 0.22 4 0.44 0.50 4.00 0.25 5 0.89 0.31 8.00 0.10 6 0.33 0.47 3.00 0.22 7 0.33 0.47 3.00 0.22 8 0.67 0.47 6.00 0.22 9 0.33 0.47 3.00 0.22 10 0.56 0.50 5.00 0.25

Notas: Los estadsticos de las filas nos explican el rol que cada actor juega como fuente de relaciones (en un grafo no dirigido). La suma de las conexiones de un actor con el resto (e.g. actor #1 enva informacin a los otros cuatro) se llama grado nodal de salida (para los datos simtricos, por supuesto, cada nodo tiene simplemente un grado nodal y no podemos distinguir el grado nodal del entrada del grado nodal de salida). El grado nodal de los puntos es importante porque nos explica cuntas conexiones tiene un actor. El grado nodal de salida es normalmente una medida de cuan influyente el actor puede ser. Podemos ver que el actor #5 enva lazos a todos los actores restantes menos uno; los actores #6, #7 y #9 envan informacin a slo tres de los actores. Actores #2, #3, #5, y #8 son similares en el sentido de constituir fuentes de informacin para porciones importante de la red; los actores #1, #6, #7, y #9 son similares desde el punto de vista que no constituyen fuentes de informacin. Podramos predecir que el primer grupo de organizaciones dispondr de divisiones especializadas en

10

relaciones pblicas, mientras que el segundo grupo podra no hacerlo. Los actores en el primer grupo podra tener un alto potencial de influencia; los actores de en medio sern influyentes si estn conectados con los actores correctos y si no es as tendrn muy poca influencia. Por tanto, existe variacin en los roles que esas organizaciones juegan como fuentes de informacin. Podemos normalizar esta informacin (y por lo tanto compararla con otras redes de diferentes tamaos) expresando el grado nodal de salida como la proporcin del nmero de elementos en la fila. Esto es, calculando la media. El actor #10, por ejemplo, enva lazos al 56% de los restantes actores. Este dato lo podemos comparar entre redes de diferentes tamaos.

Otro modo de pensar acerca de cada actor como fuente de informacin es mirar a la varianza o la desviacin estndar de las filas. Notamos que los actores con muy pocos lazos de salida, o muchos lazos de salida tienen menos variabilidad que aquellos que con niveles intermedios de relaciones. Esto nos dice algo: aquellos actores con lazos hacia cualquier otro, o con lazos a casi nadie son ms "predecibles" en su conducta hacia otros que aquellos con nmeros intermedios de relaciones. E un sentido, actores con muchos lazos (en el centro de la red) y actores en la periferia de una red (pocos lazos) tienen patrones de conducta que estn ms limitados y son ms predecibles. Actores con solo algunos lazos pueden variar ms en su conducta, dependiendo con quines estn conectados. Podemos tambin observar los datos de las columnas. Ahora, estamos mirando a los actores como sumideros o receptores de informacin. La suma de cada columna en la matriz de adyacencia es el grado nodal de entrada del punto. Esto es, cuntos actores envan informacin o lazos al nodo que estamos estudiando. Los actores que reciben informacin de muchas fuentes pueden ser prestigiosos (otros actores quieren ser conocidos por el actor y por lo tanto le envan informacin). Los actores que reciben informacin de muchas fuentes pueden ser tambin ms poderosos desde que conocimiento es poder. Pero, los actores que reciben un montn de informacin podran sufrir tambin de sobrecarga de informacin o ruido e interferencia debida a los mensajes contradictorios de muchas fuentes.
(para las columnas o lazos recibidos) ************************************************************** 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ---- ---- ---- ---- ---- ---- ---- ---- ---- ---Mean 0.56 0.89 0.44 0.56 0.89 0.11 1.00 0.22 0.56 0.22 Std Dev 0.50 0.31 0.50 0.50 0.31 0.31 0.00 0.42 0.50 0.42 Sum 5.00 8.00 4.00 5.00 8.00 1.00 9.00 2.00 5.00 2.00 Variance 0.25 0.10 0.25 0.25 0.10 0.10 0.00 0.17 0.25 0.17

Notas: Mirando a las medias, podemos observar que hay mucha variacin ms que para los emisores de informacin. Nosotros vemos que los actores #2, #5, y #7 son muy importantes. #2 y #5 tambin son importantes enviando informacin por lo tanto ellos actan como comunicadores y facilitadores en el sistema. El actor #7 recibe mucha informacin pero no enva demasiada. Por contra, el actor #7, es de hecho un sumidero de informacin" colecciona hechos, pero no los crea (al menos eso esperamos dado que el actor #7 es un peridico). Los actores #6, #8, y #10 parecen estar fuera de juego esto es, no reciben

11

informacin de muchas fuentes directamente. El actor #6 tampoco enva mucha informacin por lo tanto #6 parece estar aislado. Los nmeros #8 y #10 envan relativamente ms informacin de la que reciben. Uno podra sugerir que ellos son recin llegados que podran intentar ser influyentes, pero que de hecho carecen de las claves adecuadas.

Podemos aprender mucho de la red en general, y sobre las limitaciones estructurales de los actores individuales, e incluso formular algunas hiptesis sobre los roles sociales y las tendencias de comportamiento simplemente observando los nodos adyacentes y calculando algunos estadsticos bsicos. Antes de discutir la ligeramente ms compleja idea de distancia, hay un par ms de aspectos de la conectividad que suelen ser de inters.

ACCESIBILIDAD
Un actor es accesible por otro si existe un conjunto de conexiones mediante las cuales podamos trazar un camino, desde la fuente hasta el destino, y sin tener en cuenta cuntos otros nodos puedan estar entre ellos. Si los datos son asimtricos o dirigidos, es posible que el actor A pueda alcanzar el actor B, pero que el actor B no pueda alcanzar al actor A. Con lazos simtricos o recprocos, por supuesto, cada par de actores es accesible si uno de ellos est conectado con el otro. Si algunos actores en una red no pueden alcanzar a otros, entonces existe una divisin potencial de la red. O, podra indicar que la poblacin que estamos estudiando est realmente compuesta de ms de una subpoblaciones separadas. En los datos de intercambio de informacin de Knoke, se demuestra que todos los actores son accesibles por todos. Esto es algo que se puede verificar a simple vista.. Observa si es posible encontrar un par de actores cualquiera en el diagrama de tal forma que no sea posible trazar un camino desde el primero hasta el segundo mediante flechas que apuntan siempre en la misma direccin (no pierdas tiempo con esto porque no existe tal posibilidad!).

RECIPROCIDAD Y TRANSITIVIDAD
En algunos casos podra ser til clasificar las relaciones didicas de cada actor y la para la red en general. Hemos hecho esto en la siguiente tabla:

12

Nodos 1COUN 2COMM 3EDUC 4INDU 5MAYR 6WRO 7NEWS 8UWAY 9WELF 10WEST Whole Network

Sin lazos Lazos entrantes Lazos salientes Lazos recprocos Tamao del vecindario 2 1 3 3 1 6 0 3 3 4 39 3 1 0 2 0 0 5 0 2 0 13 0 0 2 1 0 2 0 4 1 3 13 4 (58%) 7 (88%) 4 (67%) 3 (50%) 8 (100%) 1 (33%) 4 (44%) 2 (33%) 3 (50%) 2 (40%) 38 (75%) 7 8 6 6 8 3 9 6 6 5 51

El tamao del vecindario para cada actor es el nmero de otros actores a los cules son adyacentes. Cuando tabulamos los datos acerca de las adyacencias de los actores como hemos hecho aqu, existe la tendencia a caracterizar los actores en trminos de la similaridad de sus perfiles de relaciones (hablaremos de esto ms adelante). Algunos de los actores son predominantemente fuentes (esto es, tienen tendencia a enviar ms que a recibir -- actores #3, #6, y #8). Algunos actores pueden ser predominantemente sumideros (esto es, tienen tendencia a recibir ms que a enviar -- actores #1, #5). Otros actores pueden ser transmisores que tanto envan como reciben, pero a diferentes actores. Seguramente ms interesante es que los actores difieren de forma bastante marcada en su implicacin en relaciones mutuas o recprocas. Los actores #2 y #5 se diferencian especialmente por tener relaciones simtricas o equilibradas con otros actores. Para la red en su conjunto, notamos que una proporcin considerable de las relaciones son recprocas. Tal estructura es una en la cual una gran cantidad de inmediatas comunicaciones en los dos sentidos pueden ocurrir. Esto puede sugerir una estructuracin del campo de relaciones bastante poco jerrquica y un campo en el cual existen muchas relaciones locales y particulares en ambas direcciones en lugar de una estructura monoltica o establishment.

13

Es tambin til examinar las conexiones en trminos de relaciones tridicas. El nmero de tradas que existen con 10 actores es muy grande; y, con datos dirigidos, cada una de las tradas podra clasificarse en uno de los 64 tipos. Ms comnmente, el inters se ha centrado en las tradas transitivas. El principio de transitividad significa que si A est enlazada a B y B est enlazada a C, entonces A tendra que estar enlazada a C. La idea, como equilibrio y reciprocidad es que las relaciones tridicas (cuando existen relaciones entre los actores) deberan tender hacia la transitividad o el equilibrio. Una forma especial de esta idea se conoce como la teora del equilibrio. La teora del equilibrio trabaja especialmente con relaciones de efecto positivo o negativo. Se supone que si a A le gusta B y a B le gusta C, entonces a A le debera gustar C. O tambin, si a A le gusta B y a B no le gusta C, entonces a A no le debera gustar C. Para la red de informacin de Knoke, UCINET informa que el 20.3% de todas las tradas que podan ser transitivas (por ejemplo, aqullas tradas con tres o ms lazos conectando todos los actores) son transitivas. Esto no es un nivel especialmente alto, y sugiere bien que la teora hacia el equilibrio no ha podido darse en estos datos (seguramente porque el sistema no ha funcionado demasiado tiempo), o que la teora no se aplica en este caso (ms probablemente).

DISTANCIA
Las propiedades de la red que hemos examinado hasta el momento tienen que ver principalmente con adyacencias las relaciones directas de uno actor con el siguiente. Pero la manera en la que la gente est inmersa en las redes es ms compleja que esto. Dos personas, llammoslas A y B, pueden cada una tener cinco amigos. Pero supongamos que ninguno de los amigos de A tiene amigos excepto A. En cambio, cada uno de los cinco amigos de B tiene cinco amigos. La informacin disponible para B y el potencial de B para influir es mucho ms grande que el de A. Esto es, a veces ser el amigo de un amigo puede tener bastantes consecuencias. Para capturar este aspecto de cmo las personas estn inmersas en las redes, una aproximacin importante consiste en examinar la distancia a la que est situado un actor en relacin a los dems. Si dos actores son adyacentes, la distancia entre ellos es una (esto es, una seal necesita un paso para llegar desde el emisor hasta el receptor). Si A habla con B, B habla con C (y A no habla con C), entonces los actores A y C estn a una distancia de dos. Cuntos actores estn a diferentes distancias unos de otros puede ser importante para entender las diferencias entre actores en las

14

limitaciones y oportunidades que tienen como resultado de su posicin. A veces estamos tambin interesados en de cuntas maneras se pueden conectar dos actores con una distancia dada. Esto es, puede el actor A alcanzar al actor B en ms de una manera? A veces, conexiones mltiples pueden indicar una conexin ms fuerte entre dos actores que una sola relacin. Las distancias entre actores en una red puede ser una importante caracterstica macro de una red en su conjunto. Cuando las distancias son grandes, puede tomar un largo perodo de tiempo a una informacin difundirse a travs de una poblacin. Puede ser tambin que algunos actores sean bastante poco conscientes de este hecho y que estn influenciados por otros incluso si son tcnicamente accesibles, el costo puede ser demasiado alto para comportar intercambios. La variabilidad en las distancias que tienen con otros actores puede constituir la base de la diferenciacin e incluso de la estratificacin. Esos actores que estn prximos a muchos otros pueden ser capaces de ejercer ms poder que aquellos que estn ms distantes. En el prximo captulo profundizaremos en este aspecto de la variabilidad en las distancias de los actores. Por el momento, tenemos que aprender un poco de la jerga que es utilizada para describir las distancias entre actores: paseos, caminos y semicaminos. Utilizando esas definiciones bsicas, podremos desarrollar algunas maneras ms potentes de describir varios aspectos entre los actores en una red.

PASEOS,

ETC.

Para describir las distancias entre actores en una red con precisin, necesitamos algo de terminologa. Y, como puede imaginarse, no es lo mismo hablar de un grafo simple o de un grafo conectado. Si A y B son adyacentes en un simple grafo, ellos tienen una distancia de uno. En un grafo dirigido, sin embargo, A puede ser adyacente a B mientras B no es adyacente a A la distancia de A a B es uno, pero no hay distancia de B a A. A causa de esta diferencia necesitamos trminos ligeramente diferentes para describir las distancias entre actores en grafos y dgrafos.
Grafos simples: La forma ms general de conexin entre dos actores en un grafo se llama un paseo. Un paseo es una secuencia de actores y relaciones que empiezan y terminan con actores. Un paseo cerrado es uno en el cul el principio y el punto final del camino son el mismo actor. Los paseos no estn restringidos. Un paseo puede implicar el mismo actor o la misma relacin mltiples veces. Un ciclo es un paseo especialmente restringido que se usa a menudo para examinar los vecindarios (los puntos adyacentes) de los actores. Un ciclo es un paseo cerrado de tres o ms actores, todos los cuales son diferentes, excepto por lo que se refiere al actor de origen-destino. La longitud de un paseo es simplemente el nmero de relaciones contenidas en l. Por ejemplo, considera este grafo:

15

Hay muchos paseos en un grafo (de hecho, un nmero infinito si deseamos inclroducir paseos de cualquier longitud a pesar que, usualmente, restringimos nuestra atencin a paseos de pequeas longitudes). Para ilustrar solo uno cuntos empecemos por el actor A y vayamos al actor C. Hay un paseo de longitud 2 (A,B,C). Hay un paseo de longitud tres (A,B,D,C). Existen algunos paseos de longitud 4 (A,B,E,D,C; A,B,D,B,C; A,B,E,B,C). A causa de que no estn restringidos, los mismo actores y relaciones pueden usarse ms de una vez en un camino dado. No hay ciclos que comiencen y acaben en A. Hay algunos que empiezan y acaban con el actor B (B,D,C,B; B,E,D,B; B,C,D,E,B). Normalmente es ms til restringir de alguna manera nuestra nocin de lo que constituye una conexin. Una posibilidad es restringir el cmputo de los paseos solamente a los paseos que no rehsan las relaciones. Un sendero entre dos actores es cualquier paseo que incluye una relacin dada solamente una vez (el resto de actores, sin embargo, pueden ser parte de un sendero en mltiples ocasiones). La longitud de un sendero es el nmero de relaciones que contiene. Si el sendero empieza y acaba con el mismo actor, se llama un sendero cerrado. En nuestro ejemplo anterior, existen algunos senderos que van de A a C. Estn excluidos trazados como A,B,D,B,C (el cual es un paseo, pero no es un sendero porque la relacin entre B y D se usa ms de una vez). Seguramente, la definicin ms til de una conexin entre dos actores (o entre un actor y l mismo) es un camino. Un camino es un paseo en el cul cada otro actor y cada otra relacin en el grafo puede usarse una sola vez. La nica excepcin la constituye un camino cerrado, el cul empieza y acaba con el mismo actor. Todos los caminos son senderos y paseos, pero todos los paseos y senderos no son caminos. En nuestro ejemplo, hay un nmero limitado de caminos conectando A y C: A,B,C; A,B,D,C; A,B,E,D,C. Grafos dirigidos: Paseos, senderos y caminos tambin pueden definirse para los grafos dirigidos. Pero existen dos modalidades de cada, dependiendo si queremos tomar en cuenta la direccin o no. Semi-paseos, semi-senderos, y semi-caminos son los mismos que para los datos no dirigidos. Definiendo esas distancias, la direccionalidad de las conexiones es simplemente ignorada (esto es, flechas o lazos dirigidos que son tratados como si fuesen lneas lazos no dirigidos). Como siempre, la longitud de esas distancias es el nmero de relaciones en el paseo, sendero o camino. Si no queremos prestar atencin a la direccionalidad de las conexiones podemos definir paseos, senderos y caminos de la misma manera que hicimos antes, pero con la restriccin que no podemos cambiar la direccin a medida que nos movemos a travs de las relaciones de actor a actor. Considera un grafo dirigido:

16

En este dgrafo existe un nmero de paseos de A a C. Sin embargo, no existen paseos que partan de C (o de cualquier otro) a A. Algunos de esos paseos de A a C son tambin senderos (e.g. A,B,E,D,B,C). Hay, sin embargo, solo tres caminos de A a C. Un camino es de longitud 2 (A,B,C); uno es de longitud tres (A,B,D,C); uno es de longitud cuatro (A,B,E,D,C). Las varias clases de conexiones (paseos, senderos, caminos) nos provee de diferentes maneras de pensar acerca de las distancias entre actores. La principal razn por la que los analistas de redes estn preocupados con esas distancias es que proveen un camino para pensar acerca de la fuerza de lazos o relaciones. Los actores que estn conectados con distancias cortas o de poca longitud pueden tener relaciones ms fuertes; los actores que estn conectados muchas veces (por ejemplo teniendo muchos caminos en lugar de uno slo) pueden tener lazos ms fuertes. Su conexin puede tambin estar menos sujeta a interrupciones y, por lo tanto, ser ms estable y fiable . Observemos brevemente las distancias entre los pares de actores en los datos de Knoke sobre flujos de informacin dirigida:
# paseos de longitud 1 1 0 1 0 1 1 0 0 1 0 1 2 1 0 1 1 1 0 1 1 1 1 3 0 1 0 0 1 1 0 0 0 1 4 0 1 1 0 1 0 1 1 0 0 5 1 1 1 1 0 0 1 1 1 1 6 0 0 1 0 0 0 0 0 0 0 7 1 1 1 1 1 1 0 1 1 1 8 0 1 0 0 1 0 0 0 0 0 9 1 1 0 0 1 1 0 1 0 0 1 0 0 0 1 0 1 0 0 0 0 0 1 0 1 2 1 1 1 1 1 1 1 2

1 2 3 4 5 6 7 8 9 10

# paseos de longitud 2 1 2 3 4 2 4 0 3 3 2 2 2 3 7 4 3 7 3 2 5 2 4 3 2 1 4 2 2 0 2 2 2 2 4 3 4 3 3 4 2 2 3 3 4 5 3 6 4 3 8 3 2 5 2 4 6 0 1 0 0 1 1 0 0 0 1 7 3 6 5 3 7 2 3 5 2 4 8 2 1 2 2 1 0 2 2 2 2 9 2 3 3 3 3 0 2 3 2 3

1 2 3 4 5 6 7 8 9 10

# paseos de longitud 3 1 -12 20 14 12 21 9 9 16 10 16 2 -18 26 26 19 30 8 17 24 16 23 3 -7 16 9 7 17 8 5 11 5 11 4 -13 21 19 13 25 8 11 19 10 16 5 6 7 8 9 10 -- -- -- -- -- -18 2 18 6 10 5 27 1 28 13 18 7 26 4 25 8 14 8 19 2 19 6 10 5 29 2 31 15 21 10 8 0 10 6 7 3 17 2 16 4 9 4 24 2 24 10 15 7 16 2 16 4 8 4 23 2 24 8 13 6

1 2 3 4 5 6 7 8 9 10

Nmero total de paseos (longitudes 1, 2, 3) 1 -14 23 18 14 25 9 12 19 12 18 2 -21 33 30 22 37 11 19 29 18 27 3 -9 17 13 9 19 8 7 13 7 13 4 -16 25 22 16 29 10 13 22 13 20 5 6 7 8 9 10 -- -- -- -- -- -21 2 21 8 12 6 33 2 34 14 21 9 30 4 30 10 17 9 22 2 22 8 13 6 37 3 38 16 24 11 11 1 12 6 7 4 19 2 19 6 11 5 29 2 29 12 18 8 18 2 18 6 10 5 27 3 28 10 16 8

1 2 3 4 5 6 7 8 9 10

17

El inventario del total de conexiones entre actores es til principalmente para tener una idea de cmo de cerca un par de actores est, y del grado de acoplamiento del sistema en su conjunto. Aqu, podemos ver que usando solamente las conexiones de dos pasos (por ejemplo. un amigo de un amigo), hay una gran cantidad de conexin de promedio en el grafo; nosotros tambin vemos que hay grandes diferencias entre actores en su grado de conectividad y a quin estn conectados. Esas diferencias pueden ser usadas para comprender cunta informacin se mueve en la red, qu actores influirn probablemente a otros y un nmero determinado de otras importantes propiedades.

DIMETRO Y DISTANCIA GEODSICA

Una definicin determinada de la distancia entre actores en una red es usada por muchos algoritmos para definir propiedades ms complejas de las posiciones de los individuos y de la estructura de la red en su conjunto. Esta cantidad es la distancia geodsica. Tanto para datos dirigidos como no dirigidos, la distancia geodsica es el nmero de relaciones en el caminos ms corto posible de un actor a otro (o de un actor a l mismo y, si somos cuidadosos, no deberamos tenerla en cuenta). La distancia geodsica es ampliamente usada en anlisis de redes sociales. Pueden haber muchas conexiones entre dos actores en una red. Si consideramos cmo la relacin entre dos actores puede proveer a cada otro con oportunidades y limitaciones, puede darse el caso que no todos los lazos importen. Por ejemplo, supongamos que estoy intentando enviar un mensaje a Sue. Dado que conozco su direccin de correo electrnico, puedo enviarle un mensaje directamente (un camino de longitud 1). Yo tambin conozco a Donna, y s que Donna tiene el correo electrnico de Sue. Yo podra enviar un mensaje para Sue a Donna, y pedirle que se lo reenviase. ste sera un camino de longitud 2. Delante de esta disyuntiva yo probablemente escoger el camino geodsico (esto es, el directo a Sue) a causa que da menos problemas y es ms rpido y tambin a que no depende de Donna. Por lo tanto, el camino geodsico (o caminos, pues pueden haber ms de uno) es a menudo el ptimo o ms eficiente entre dos actores. Muchos algoritmos en anlisis de redes sociales asumen que los actores usan los caminos geodsicos cuando existen alternativas. Usando UCINET, podemos fcilmente localizar las longitudes de los caminos geodsicos en nuestros datos dirigidos sobre intercambios de informacin.

18

Distancias geodsicas para intercambios de informacin 1 1 2 3 4 5 6 7 8 9 0 - - - - - - - - - 1 0 1 2 2 1 3 1 2 1 2 2 1 0 1 1 1 2 1 1 1 2 3 2 1 0 1 1 1 1 2 2 1 4 1 1 2 0 1 3 1 2 2 2 5 1 1 1 1 0 2 1 1 1 1 6 3 2 1 2 2 0 1 3 1 2 7 2 1 2 1 1 3 0 2 2 2 8 1 1 2 1 1 3 1 0 1 2 9 2 1 2 2 1 3 1 2 0 2 10 1 1 1 2 1 2 1 2 2 0

Notas: A causa de que la red es densa, el camino geodsico es generalmente pequeo. Esto sugiere que la informacin puede viajar bastante rpidamente en esta red. Obsrvese tambin que hay una distancia geodsica para cada unos de los pares xy e yx -- esto es, el grafo est plenamente conectado y los actores son accesibles por todos los otros (o lo que es lo mismo: existe un camino de alguna longitud de cualquier actor a cualquier actor). Cuando una red no est plenamente conectada, no podemos definir las distancias geodsicas entre los pares. la aproximacin estndar en estos casos es tratar la distancia geodsica entre actores desconectados como la longitud mayor de todas las presentes en las distancias reales de los datos. Para cada actor, calcularamos la media y la desviacin estndar de sus distancias geodsicas para describir su grado de cercana al resto de actores. Para cada actor, esa distancia geodsica mayor se llama excentricidad una medida de cmo de lejos un actor est del ms alejado. A causa que la red est totalmente conectada, un mensaje que empieza en algn lugar alcanzar eventualmente cualquier otro. A pesar que el programa no lo calcula, podra calcularse la media (o mediana) de la distancia geodsica, y la desviacin estndar de la matriz, y para cada actor desde las filas y desde las columnas. Esto nos explicara cmo de lejos un actor est de otro y cmo de lejos y quin puede estar intentando influenciarlo. Esto tambin nos explica qu actores tienen una conducta ms predecible (en este caso, si han oido algo o no) y menos predecible. Mirando la red total, podemos ver que est conectada y que la distancia geodsica promedio es bastante pequea. Esto sugiere un sistema en el cual la informacin probablemente alcanzar a cualquiera y que lo har rpidamente. Para obtener otra nocin del tamao de una red, podramos pensar en su dimetro. El dimetro de una red es la distancia geodsica ms larga existente en la red (conectada). En este caso, ningn actor est situado a ms de tres pasos de cualquier otro una red bastante "compacta". El dimetro de una red nos explica cmo de grande sta es en un sentido (esto es, cuntos pasos son necesarios para ir de un sitio a otro). El dimetro es tambin una medida til que puede servirnos para marcar el lmite superior de las longitudes de los caminos que estamos estudiando. Muchos investigadores limitan sus exploraciones a las conexiones entre actores para incluir conexiones que no son ms largas que el dimetro de la red. A veces la redundancia de la conexin es una importante caracterstica de la estructura de una red. Si hay muchos caminos eficientes conectando dos actores, las probabilidades que una seal ir de un sitio a otro mejoran. Por supuesto, si dos actores son adyacentes, solamente existira este camino. A continuacin pueden verse los pares entre los que hay ms de un camino geodsico:

19

# de caminos geodsicos en intercambios de informacin 1 1 2 3 4 5 6 7 8 9 0 - - - - - - - - - 1 - - 2 3 - 2 - 2 - 2 - - - - - - - - - 2 3 4 - - - - - - 2 3 4 - - 2 - - 2 - 2 3 5 - - - - - - - - - 6 9 3 - 2 3 - - 6 - 7 3 - 2 - - 2 - 2 2 8 - - 2 - - 2 - - - 9 2 - 2 3 - 2 - 2 - 10 - - - 4 - - - 2 3 -

Notas: Podemos ver que muchas de las conexiones geodsicas entre esos actores no son solamente de corta distancia, pero que muchas veces hay mltiples caminos ms cortos de x a y. Esto sugiere un par de cosas: el flujo de informacin probablemente no se interrumpir a causa de los mltiples caminos; y ser difcil para cualquier individuo ser un intermediario poderoso en esta estructura a causa de que muchos actores tienen caminos alternativos eficientes de conexin a otros actores que pueden obviar el paso por un actor determinado.

FLUJO, COHESIN E INFLUENCIA

El uso de caminos geodsicos para examinar las propiedades de las distancias entre individuos y para la red total a menudo tiene mucho sentido. Pero hay muchos otros casos en los que la distancia entre dos actores y la conectividad del grafo en su conjunto se concibe mejor al implicar todas las relaciones no slo las ms eficientes. Si yo comienzo un rumor, pro ejemplo, ste pasar a travs de la red por todos los caminos disponibles y no slo por los ms eficientes. El crdito que una persona de a mi rumor puede depender de cuntas veces lo ha escuchado por diferentes lados y no los pronto que lo escucharon. Para usos de la distancia como ste necesitamos tener en cuenta todas las conexiones entre actores. Se han desarrollado algunas aproximaciones para contar la cantidad de conexiones entre pares de actores que tengan en cuenta todas las conexiones entre ellos. Esas medidas han sido usadas para diferentes propsitos y esas diferencias se reflejan en los algoritmos usados para calcularlas. Examinemos esas tres ideas.
Flujo mximo: Una nocin de cmo cunto estn dos actores totalmente conectados (llamada flujo mximo por UCINET) pregunta cuantos actores diferentes en el vecindario de un emisor llevan a caminos hacia el destinatario. Si necesito transmitirte un mensaje y slo hay una persona a la que pueda envirselo para retransmitirlo, mi conexin es dbil incluso si la persona a la que envo el mensaje tiene muchas maneras de alcanzarte. Si, por otro lado, hay cuatro personas a las cuales yo puedo enviar mi mensaje, entonces mi conexin es ms fuerte. Este aproximacin al flujo sugiere que la fuerza de mi lazo hacia ti no es ms fuerte que el lazo ms dbil en las cadenas de conexiones, donde debilidad significa carecer de alternativas. Esta aproximacin a la conexin entre actores est conectada con la nocin de grado de intermediacin que examinaremos en el siguiente captulo. Tambin es lgicamente cercana a la idea que el nmero de caminos, y no su longitud, puede ser importante para conectar gente. Para nuestros datos diseccionados, los resultados del recuento de UCINET del flujo mximo se muestran a continuacin. Debera verificarse por uno mismo que, por ejemplo, hay cuatro

20

cuellos de botella en los flujos del actor 1 al actor 2, pero cinco de tales cuellos en el flujo del actor 2 al actor 1.
Flujo mximo 1 1 2 3 4 5 6 7 8 9 0 COCOEDINMAWRNEUWWEWE - - - - - - - - - 0 4 3 4 4 1 4 2 4 2 5 0 3 5 7 1 7 2 5 2 5 6 0 5 6 1 6 2 5 2 4 4 3 0 4 1 4 2 4 2 5 8 3 5 0 1 8 2 5 2 3 3 3 3 3 0 3 2 3 2 3 3 3 3 3 1 0 2 3 2 5 6 3 5 6 1 6 0 5 2 3 3 3 3 3 1 3 2 0 2 5 5 3 5 5 1 5 2 5 0

1 2 3 4 5 6 7 8 9 10

COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST

SINGLE-LINK HIERARCHICAL CLUSTERING U C E W W O D R A U U O Y N C Level ----8 5 2 1 I N D U M A Y R N E W S C O M M W E L F W E S T

1 6 8 1 3 4 5 7 2 9 0 - - - - - - - - - . . . . . XXXXX . . . . XXXXXXXXXXXXX . . XXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXX

Notas: Como casi cualquier otra medida de las relaciones entre pares de actores, puede ser til ver si podemos clasificar los actores siendo ms o menos similares los unos a los otros en trminos del patrn de relaciones con el resto de actores. El anlisis de clusters es una til tcnica para encontrar grupos de actores que tienen relaciones similares con otros. Tendremos mucho que decir sobre este tema en los ltimos captulos. En el ejemplo actual, vemos que los actores #2, 5, y 7 son relativamente similares entre s en trminos de la distancia mxima de flujo al resto de actores. Una rpida comprobacin del grafo revela porqu esto es as. Esos tres actores tienen diferentes maneras de acceder los unos a los otros y al resto de actores en la red. En este sentido, son muy diferentes del actor 6, el cul puede depender de hasta tres otros actores para establecer la conexin. Cohesin de Hubbell y Katz: La aproximacin de flujo mximo se centra en la vulnerabilidad o redundancia de la conexin entre pares de actores un argumento del tipo "tan fuerte como el lazo ms dbil. Como aproximacin alternativa, podramos considerar la fuerza de todos los lazos al definir la conexin. Si estamos interesados en cunto dos actores puede influenciar mutuamente, o compartir un sentido de posicin comn, el rango completo de sus conexiones debera ser considerado. Incluso si queremos incluir todas las conexiones entre dos actores, puede ser que en muchas ocasiones no tenga ningn sentido considerar un camino de longitud 10 tan importante como uno de longitud 1. La aproximacin de Hubbelly Katz cuenta el total de conexiones entre los actores (lazos para datos no dirigidos, lazos que envan y reciben para datos dirigidos). Cada conexin, sin embargo, es ponderada en relacin a su longitud. Cuanto ms grande sea la longitud, ms dbil ser la conexin. Hasta qu punto la conexin se vuelve dbil incrementando la longitud depende de un factor de atenuacin. En nuestro siguiente ejemplo hemos usado una factor de atenuacin de 0.5. Esto es, un punto adyacente recibe el peso de 1, un paseo de longitud 2 recibe un peso de 0.5, una conexin de longitud 3 recibe un peso de 0,25, etc. La aproximacin de Hubbell y Katz es muy similar. Katz incluye una matriz identidad (una conexin de un actor consigo mismo) como la conexin ms fuerte; la aproximacin de Hubbell no lo hace. Calculadas por UCINET, ambas aproximaciones normalizan los resultados desde grandes distancias negativas (esto, actores que estn relativamente muy cerca de otros pares o tienen una alta cohesin) a grandes nmeros positivos (esto es, los actores que tienen una gran distancia relativa al resto).

21

Method:

HUBBELL 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ------ ------ ------ ------ ------ ------ ------ ------ ------ ------0.67 -0.67 2.00 -0.33 -0.67 2.00 0.33 -1.33 -1.33 1.33 -0.92 -0.17 1.50 -0.08 -0.67 1.50 0.08 -0.83 -1.08 0.83 5.83 3.33 -11.00 0.17 3.33 -11.00 -2.17 6.67 8.17 -7.67 -1.50 -1.00 3.00 0.50 -1.00 3.00 0.50 -2.00 -2.50 2.00 1.25 0.50 -2.50 -0.25 1.00 -2.50 -0.75 1.50 1.75 -1.50 3.83 2.33 -8.00 0.17 2.33 -7.00 -1.17 4.67 6.17 -5.67 -1.17 -0.67 2.00 0.17 -0.67 2.00 0.83 -1.33 -1.83 1.33 -3.83 -2.33 7.00 -0.17 -2.33 7.00 1.17 -3.67 -5.17 4.67 -0.83 -0.33 1.00 -0.17 -0.33 1.00 0.17 -0.67 -0.17 0.67 4.33 2.33 -8.00 -0.33 2.33 -8.00 -1.67 4.67 5.67 -4.67 KATZ 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ------ ------ ------ ------ ------ ------ ------ ------ ------ ------1.67 -0.67 2.00 -0.33 -0.67 2.00 0.33 -1.33 -1.33 1.33 -0.92 -1.17 1.50 -0.08 -0.67 1.50 0.08 -0.83 -1.08 0.83 5.83 3.33 -12.00 0.17 3.33 -11.00 -2.17 6.67 8.17 -7.67 -1.50 -1.00 3.00 -0.50 -1.00 3.00 0.50 -2.00 -2.50 2.00 1.25 0.50 -2.50 -0.25 0.00 -2.50 -0.75 1.50 1.75 -1.50 3.83 2.33 -8.00 0.17 2.33 -8.00 -1.17 4.67 6.17 -5.67 -1.17 -0.67 2.00 0.17 -0.67 2.00 -0.17 -1.33 -1.83 1.33 -3.83 -2.33 7.00 -0.17 -2.33 7.00 1.17 -4.67 -5.17 4.67 -0.83 -0.33 1.00 -0.17 -0.33 1.00 0.17 -0.67 -1.17 0.67 4.33 2.33 -8.00 -0.33 2.33 -8.00 -1.67 4.67 5.67 -5.67

1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST Method:

1 2 3 4 5 6 7 8 9 10

COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST

Como todas las medidas de las propiedades de pares de actores se podra analizar la informacin mucho ms. Podramos ver qu individuos son similares a qu otros (esto es, a qu grupos o estratos definidos por la similaridad del total de sus conexiones al resto de nodos en la red pertenecen?). Nuestro inters podra tambin centrarse en la red total, dnde podramos examinar el grado de varianza y la forma de la distribucin de las conexiones de las dadas. Por ejemplo, una red en la cual todos los pares de actores estuviesen totalmente conectados podra suponerse que se comportara de manera muy diferente que una en la que hubiesen diferencias radicales entre los actores. La influencia de Taylor: La aproximacin de Hubbell y Katz puede tener ms sentido cuando se aplica a datos simtricos, a causa de que no presta atencin a las direcciones o a las conexiones (por ejemplo, los lazos de A dirigidos a B son tan importantes como los de B dirigidos a A a la hora de definir la distancia o solidaridad cercanaentre ellos). Si estamos ms especficamente interesados en la influencia de A sobre B en un grafo dirigido, la aproximacin a la influencia de Taylor propone una interesante alternativa. La medida de Taylor, como las otras, usa todas las conexiones y aplica un factor de atenuacin. Ms que estandarizar completamente la matriz resultante, sin embargo, se adopta una aproximacin diferente. Los marginales de las columnas para cada actor son sustrados de los marginales de las filas y el resultado es entonces normalizado. Traducido al espaol lo que hacemos es mirar al equilibrio entre los actores que envan conexiones (marginales de filas) y los actores que reciben conexiones (marginales de columnas). Los valores positivos reflejan entonces una preponderancia en enviar sobre recibir de un actor de la pareja o un equilibrio de influencia entre los dos. Ntese que el peridico (#7) muestra disponer de influencia neta en relacin con la mayora del resto de actores, mientras que la organizacin para la defensa de los derechos al bienestar social (#6) tiene un balance negativo con la mayor parte de los otros actores.
Method: TAYLOR 1 COUN ----0.00 0.02 -0.23 0.07 -0.12 -0.11 0.09 0.15 -0.03 -0.18 2 COMM -----0.02 0.00 -0.11 0.06 -0.07 -0.05 0.05 0.09 -0.05 -0.09 3 EDUC ----0.23 0.11 0.00 -0.17 0.36 -0.18 -0.26 -0.02 0.44 0.02 4 INDU -----0.07 -0.06 0.17 0.00 -0.05 0.17 0.02 -0.11 -0.14 0.14 5 MAYR ----0.12 0.07 -0.36 0.05 0.00 -0.30 -0.01 0.23 0.13 -0.23 6 WRO ----0.11 0.05 0.18 -0.17 0.30 0.00 -0.19 -0.14 0.32 0.14 7 NEWS -----0.09 -0.05 0.26 -0.02 0.01 0.19 0.00 -0.15 -0.12 0.18 8 UWAY -----0.15 -0.09 0.02 0.11 -0.23 0.14 0.15 0.00 -0.28 -0.00 9 WELF ----0.03 0.05 -0.44 0.14 -0.13 -0.32 0.12 0.28 0.00 -0.31 10 WEST ----0.18 0.09 -0.02 -0.14 0.23 -0.14 -0.18 0.00 0.31 0.00

1 2 3 4 5 6 7 8 9 10

COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST

22

Como la muchas otras medidas las diferentes aproximaciones a la distancia entre actores y en la red en su conjunto provee de un conjunto de alternativas. Ninguna definicin para definir la distancia ser la correcta para una propsito determinado. A veces realmente no sabemos a priori que aproximacin puede ser la mejor y normalmente tenemos que ver cmo funcionan algunas de ellas.

RESUMEN
Existe una gran cantidad de informacin los individuos y la poblacin en una simple matriz de adyacencia. En este captulo has aprendido mucha terminologa para describir las conexiones y distancias entre actores y tambin para describir las poblaciones completas. En un anlisis de redes bsico se suele focalizar en el vecindario inmediato: las dadas y las tradas en las cuales estn inmersos. El grado de un actor, y el grado nodal de entrada y de salida (si los datos son dirigidos) nos explica hasta qu punto un actor puede estar limitado por o limitar a otros. Esta conocimiento puede ser til para describir la estructura de oportunidades de un actor. Nosotros tambin hemos visto que es posible describir tipos de actores que pueden formar grupos o estratos sobre la base de las posiciones que ocupan en la estructura de oportunidades -- e.g. "aislados" "emisores" etc. La mayor parte del tiempo y esfuerzo de los actores sociales se invierte en contextos locales interactuando en dadas y tradas. Buscando todas las conexiones de los actores, hemos sugerido que el grado de reciprocidad, equilibrio y transitividad en las relaciones puede ser entendido como un importante indicador de estabilidad e institucionalizacin (esto es, hasta qu punto las relaciones son dadas por supuestas y estn gobernadas por normas) de las posiciones de los actores en las redes sociales. Las conexiones locales de los actores son importantes para comprender la conducta social del conjunto de la poblacin y tambin para entender cada individuo. El tamao de la red, su densidad, tanto si los actores son accesibles por otros (por ejemplo, est la poblacin conectada o existen mltiples componentes?), como si las relaciones tienden a ser recprocas o transitivas y todas las otras propiedades que hemos examinado para las conexiones individuales tambin son significativas para describir el conjunto de la poblacin. Tanto los niveles tpicos de caractersticas (e.g. el grado nodal medio de los puntos) y la cantidad de diversidad en las caractersticas (e.g. la varianza en el grado nodal de los puntos) puede ser importante en explicar la conducta macro. Las poblaciones con alta densidad responden de forma diferente a los desafos que aqullas que tienen una baja densidad; las poblaciones con una gran diversidad 23

en las densidades individuales pueden tender a desarrollar ms diferenciacin y estratificacin. En este captulo hemos examinado tambin algunas propiedades acerca del modo en el que los individuos estn inmersos en las redes y de stas en su sentido ms amplio en lugar de los vecindarios locales de los actores. Una terminologa especializada ha sido introducida para describir las distancias entre pares de actores: paseos, senderos y caminos. Hicimos notar que existen algunas diferencias importantes entre los datos dirigidos y los no dirigidos al aplicar esas ideas de distancia. Uno de los ms aproximaciones ms comunes e importantes a la indexacin de las distancias entre actores es el geodsico. El geodsico es til para describir la distancia mnima entre actores. Las distancias geodsicas entre pares de actores es la ms comnmente usada medida de grado de cercana. La distancia geodsica media de un actor al resto, la variacin en esas distancias y el nmero de distancias geodsicas al resto de actores puede describir importantes similitudes y diferencias entre los actores en cmo y cmo de cerca estn conectados la poblacin en su conjunto. La distancia geodsica, sin embargo, examina slo una simple conexin entre un par de actores (o en algunos casos algunas si hay mltiples geodsicos conectndolos). A veces la suma de todas las conexiones entre actores, ms que la ms corta conexin , puede ser relevante. Hemos examinado aproximaciones que miden la vulnerabilidad de la conexin entre los actores (flujo), la solidaridad de los actores por parejas (Hubbell y Katz), y la influencia potencial de unos actores en relacin a otros (Taylor). Otra vez, es importante recordar que las diferencias y las similitudes entre las personas individuales en el sentido de su distancia a otros puede ser una base estructural para la diferenciacin y la estratificacin. Y, como siempre, esos complejos patrones de distancias de individuos en relacin a otros constituye tambin una caracterstica de la poblacin en su conjunto tambin para describir las limitaciones y oportunidades a las que se enfrentan los individuos. Por ejemplo, una poblacin en la cual la mayor parte de los actores tienen mltiples distancias geodsicas a otros se comportar, muy probablemente, de manera bastante diferente de una en la cual hay poca redundancia de eficientes vnculos de comunicacin (piensa acerca de algunas clases diferentes de organizaciones burocrticas digamos un hospital clnico versus una fbrica de coches). Hemos visto que existe una gran cantidad de informacin disponible en una pocas simples observaciones de una matriz de adyacencia. La vida, por supuesto, puede ser 24

ms complicada. Podramos disponer de mltiples capas o datos multiplexados; podramos datos que diesen informacin sobre al fortaleza de los vnculos ms que su simple presencia o ausencia. Sin embargo, los mtodos que hemos usado aqu proporcionan una buena introduccin a lo que puede hacerse con datos ms complejos. Ahora que ya disponemos de una buena aproximacin a los conceptos bsicos de conexin y distancia, estamos listados par utilizar esas ideas en la construccin algunos conceptos y mtodos para describir algunos aspectos ms complicados de las estructuras de redes de las poblaciones. Volveremos sobre los dos conceptos ms importantes en los prximos captulos. Primero examinaremos (Captulo 6) el concepto de centralidad y centralizacin, el cuales importante para entender el poder, la estratificacin, el rango y la desigualdad en las estructuras sociales. Entonces in el captulo 7 centraremos nuestra atencin en examinar subestructuras mayores que las dadas y las tradas. Las poblaciones derivadas de las estructuras sociales estn casi siempre divididas y diferenciadas en cliques, facciones y grupos (los cuales pueden o no estar jerarquizados). Construyendo sobre esas ideas, concluiremos nuestro investigacin introductoria de conceptos de redes (Captulos 8-11) con atencin a ms abstracta pero tericamente ms importante tarea de describir las posiciones en la red y los roles sociales que son centrales en el anlisis sociolgico.

PREGUNTAS DE REPASO
1. Explica las diferencias entre los tres niveles de anlisis de los grafos (individual, agregados, completo). 2. Cul es el tamao de una poblacin? Por que el tamao de una poblacin es importante para el anlisis sociolgico? 3. Si disponemos de una red de 5 actores (y asumiendo que no existen lazos reflexivos) cul es el nmero potencial de lazos dirigidos? Cul es el nmero potencial de lazos no dirigidos? 4. Cmo se mide la densidad? Por qu la densidad es posible en el anlisis sociolgico? 5. Qu es el grado de un punto? Por qu podra ser sociolgicamente importante que algunos actores tengan altos rangos nodales y otros los tengan bajos? Cul es la diferencia entre grado nodal de salida y grado nodal de entrada? 6. Si el actor "A" es accesible por el actor "B" no significa eso necesariamente que el actor "B" es accesible por el "A?" Por qu y por qu no? 7. Para pares de actores con relaciones dirigidas, existen cuatro posibles configuraciones de lazos. Cmo los podemos mostrar? Qu configuraciones estn equilibradas? Para una trada con relaciones no dirigidas cuntas configuraciones de lazos existen?Cules son equilibrados o transitivos? 8. Cules son las diferencias entre paseos, senderos y caminos? Por qu los caminos son los usados ms comnmente para las distancias entre actores en el anlisis sociolgico? 25

9. Qu es una distancia geodsica entre dos actores? Muchas medidas de redes sociales asumen que el camino geodsico es el ms importante entre actores por qu es plausible esta asuncin? 10. Tenemos dos poblaciones de 10 actores cada una, una tiene un dimetro de 3 y la otra un dimetro de 6. Puedes explicar la afirmacin a alguien que no sepa nada de anlisis de redes? Puedes explicar por qu la diferencia en dimetro puede ser importante para entender las diferencias entre las dos poblaciones? 11. Cmo las aproximaciones de flujos ponderados al estudio de la distancia social difieren de las aproximaciones geodsicas? 12. Por qu podra ser importante que dos actores tuviesen ms de un geodsico u otro camino entre ellos?

APLICACIONES
1. Piensa en las lecturas de la primera parte del curso. Qu estudios usan las ideas de conectividad y densidad? Qu estudios usan las ideas de distancia? Qu aproximaciones especficas usan esos conceptos? 2. Dibuja los grafos de una estrella, un crculo, una lnea y una jerarqua. Describe el tamao, potencial y densidad de cada grafo. Examina los grados nodales de los puntos en cada grafo existen diferencias entre los actores? Esas diferencias nos explican algo acerca de los roles socialesde los actores? Crea una matriz para cada grafo que muestre las distancias geodsicas entre cada par de actores.Hay diferencias entre los grafos en el modo en el que estn conectados por mltiples distancias geodsicas? 3. Piensa acerca de un pequeo grupo de gente que conozcas bien (posiblemente tu familia, vecinos, un grupo de estudio, etc.). Quin ayuda a quin en este grupo? Cul es la densidad de los lazos? Son los lazos recprocos? Son las tradas transitivas? 4. Chrysler Corporation te ha contratado como consultor. Su divisin de investigacin est tardando mucho en disear nuevos modelos de coches y a menudo el trabajo de los creativos no casa muy bien con el trabajo de los ingenieros de produccin (La gente que de hecho acaba construyendo el coche). La Divisin de investigacin de Chrysler est organizada como una burocracia clsica con dos ramas (creativos y produccin) coordinada a travs de un grupo de directivos y una jefe de Divisin. Analiza las razones por las cuales los resultados son pobres. Sugiere algunas maneras alternativas de organizar que podran mejorar el rendimiento y explica por qu ayudaran.

26

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES CAPTULO SEXTO: CENTRALIDAD Y PODER
Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html> [Fecha de consulta: Diciembre de 2001]. La traduccin se ha realizado por bloques. En este documento se presenta el sexto captulo, traducido por Lissette Aliaga [unmsm_lissette@yahoo.com.mx] y revisado por Jos Luis Molina [joseluis.molina@uab.es].
NP

NDICE
CAPTULO VI. CENTRALIDAD Y PODER ....................................................................... 4 INTRODUCCIN: CENTRALIDAD Y PODER .............................................................4 LAS DIFERENTES CARAS DEL PODER ................................................................... 5 CENTRALIDAD DE GRADOS...................................................................................... 8 CENTRALIDAD DE CERCANA ................................................................................. 11 CENTRALIDAD DE GRADO DE INTERMEDIACIN ................................................ 13 EIGENVECTOR DE DISTANCIAS GEODSICAS .................................................... 15 CENTRALIDAD DE FLUJO ........................................................................................18 EL NDICE DE PODER BONACICH .......................................................................... 20 RESUMEN DEL CAPTULO 6 .................................................................................... 24

CAPTULO VI. CENTRALIDAD Y PODER INTRODUCCIN: CENTRALIDAD Y PODER

Todos los socilogos concordaran en que el poder es una propiedad fundamental de las estructuras sociales. Habra menos acuerdo sobre qu es el poder, y cmo En este captulo

podemos describirlo y analizar sus causas y consecuencias.

veremos algunas de las principales aproximaciones que el anlisis de redes sociales ha desarrollado para estudiar el poder y un concepto ntimamente relacionado como es la centralidad. La perspectiva de redes ha contribuido en gran parte a la comprensin del poder social. Quiz an ms importante, la aproximacin a las redes sociales enfatiza que el poder es inherentemente relacional. Un individuo no tiene poder en abstracto, se tiene poder porque se puede dominar a otros el poder de ego es la dependencia del alter y viceversa. Debido a que el poder es una consecuencia de los patrones de relacin, la cantidad de poder en las estructuras sociales puede variar. Si un sistema est muy dbilmente acoplado (baja densidad) poco poder puede ser ejercido; en sistemas de alta densidad existe el potencial para mayor poder. El poder es una propiedad

sistmica (macro) y relacional (micro). La cantidad de poder en un sistema y su distribucin a travs de los actores estn relacionados pero no son lo mismo. Dos sistemas pueden tener la misma cantidad de poder, pero ste puede estar igualitariamente distribuido en uno y desigualmente distribuido en otro. El poder en las redes sociales podra ser visto tanto como una propiedad micro (i.e. ste describe las relaciones entre actores) o como una propiedad macro (i.e. ste describe la poblacin entera). Por tanto, como pasa en otros conceptos sociolgicos claves, lo macro y lo micro estn ntimamente conectados en la perspectiva de redes sociales. Los analistas de redes a menudo describen la manera en a l que un actor est insertado en una red relacional en la medida que se le imponen restricciones y se le ofrecen oportunidades. Los actores que se enfrentan a menos restricciones y tienen ms oportunidades que otros, estn en posiciones estructurales favorables. Tener una posicin favorable significa que un actor puede extraer mejores ofertas en los intercambios y que ser un foco para la deferencia y atencin por parte de aqullos en posiciones menos favorables. Pero a qu nos referimos con tener una posicin favorable y tener ms oportunidades y menos restricciones? No existe una sola

respuesta correcta y definitiva para estas difciles preguntas. Sin embargo, el anlisis de redes ha hecho importantes contribuciones en proveer definiciones precisas y mediciones concretas de las diferentes aproximaciones a la nocin de poder que se atribuye a las posiciones en estructuras de relaciones sociales.

LAS DIFERENTES CARAS DEL PODER

Para entender las aproximaciones que el anlisis de redes usa para estudiar el poder, es til pensar primero sobre algunos sistemas muy simples. Considera estas tres redes, las cuales son denominadas estrella, lnea y crculo.

A primera vista, se puede sugerir que el actor A tiene una posicin estructural altamente favorable en la red estrella, si la red est describiendo una relacin como un intercambio o distribucin de recursos. Pero, exactamente por qu est este actor A en una mejor posici n que el resto de nodos de la red estrella? qu hay que decir sobre la posicin de A en la red lnea? estar en el final de la lnea es una ventaja o una desventaja? Estn todos los actores en la red crculo exactamente en la misma posicin estructural? Necesitamos pensar sobre por qu la ubicacin estructural puede ser ventajosa o desventajosa para los actores. Concentrmonos en el porqu el actor A est tan obviamente en una posicin ventajosa en la red estrella.

Grado: En primer lugar, el actor A tiene ms oportunidades y alternativas que los otros actores. Si el actor D eligiera no proveer a A con algn recurso, A tiene un nmero de otros lugares dnde ir para conseguirlo; sin embargo, si D eligiera no intercambiar con A, D no estara en capacidad de realizar ningn intercambio. Cuantos ms vnculos tenga A, ms poder podr tener. En la red estrella, el actor A tiene grado seis, todos los dems actores tienen grado uno. De esta lgica se desprenden las medidas de centralidad y poder basadas en el grado del actor, lo cual discutiremos a continuacin. Los actores que tienen ms vnculos tienen mayores oportunidades porque tienen ms opciones. Esta autonoma los hace menos dependientes ante cualquier otro actor especfico y por lo tanto ms poderosos. Ahora, consideremos la red crculo en trminos de grado. Cada actor tiene

exactamente el mismo nmero de compaeros alternativos para hacer negocios (o grado), entonces todas las posiciones son igualmente ventajosas. En la red lnea, el asunto es un poco ms complejo. Los actores al final de la lnea (A y G) estn en realidad en una desventaja estructural, pero todos los dems son aparentemente iguales (en realidad, no es tan simple). Generalmente, an cuando, los actores que son ms centrales en la estructura, en el sentido de tener mayor grado o ms conexiones, tienden a tener posiciones favorables y por lo tanto mayor poder. Cercana: La segunda razn de por qu el actor A es ms poderoso que los otros actores en la red estrella es que el actor A est ms cerca del resto de actores que cualquier otro. El poder puede ser ejercido por el trato e intercambio directo. Pero el poder tambin proviene de actuar como un punto de referencia por el cual otros actores se juzgan a s mismos y por ser un centro de atencin cuyos puntos de vista son escuchados por un gran nmero de actores. Los actores que son capaces de alcanzar a otros en longitudes de caminos ms cortas, o quienes son ms accesibles por otros actores en longitudes de caminos ms cortos, tienen posiciones favorables. Esta ventaja estructural puede ser traducida en poder. En la red estrella, el actor A est a distancia geodsica de uno de todos los otros actores, mientras cada uno de los otros actores est a distancia geodsica de dos de los otros actores (excepto A). Desde esta lgica de ventaja estructural se desprenden aproximaciones que enfatizan la distribucin de la cercana y distancia como un recurso de poder. Consideremos ahora la red crculo en trminos de la cercana del actor. Cada actor se sita en longitudes de camino diferentes desde los otros actores, pero todos los actores tienen distribuciones idnticas de cercana y de nuevo pareceran ser iguales 6

en trminos de posiciones estructurales. En la red lnea, el actor de en medio (D) est ms cercano a todos los otros actores que lo que estn en el grupo C, E; grupo B, F y el grupo A, G. De nuevo, los actores al final de la lnea, o en la periferia, estn en desventaja. Grado de Intermediacin: La tercera razn que hace que el actor A est en ventaja en la red estrella es porque el actor A est situado entre cada otro par de actores y no existe ningn otro actor entre A y el resto de actores. Si A quiere contactar con F, A lo har directamente. Si F quiere contactar con B, tiene que hacerlo por medio de A. Esto da al actor A la capacidad de negociar contactos entre los actores para extraer tarifas de servicios y aislar actores o prevenir contactos. El tercer aspecto de una posicin estructural ventajosa por lo tanto es encontrarse entre otros actores. En la red crculo, cada actor est situado entre cada otro par de actores. Realmente, existe dos caminos conectando cada par de actores, y cada tercer actor est situado en uno, pero no en otro de ellos. De nuevo, todos los actores estn igualmente en ventaja o desventaja. En la red lnea, nuestros puntos finales (A,G) no estn situados entre cualquier par y no tienen ningn poder negociador. Los actores ms cercanos al centro de la cadena aparecen en ms caminos entre pares y estn nuevamente en una posicin ventajosa. Cada una de estas ideas (grado, cercana y grado de intermediacin) ha sido implementada de varias formas. Examinaremos brevemente tres implementaciones aqu. El enfoque eigenvector de geodsicos construye la nocin de cercana/distancia. El enfoque de flujo (que es similar al enfoque de flujo discutido en el captulo anterior) modific la idea de grado de intermediacin. La medida de poder Bonacich es una importante y ampliamente usada generalizacin del enfoque al poder basado en grados. En el captulo previo discutimos varios enfoques a la distancia que habla de la influencia de puntos entre ellos (Hibbell, Katz, Taylor). Estos enfoques, que no

discutiremos de nuevo ahora, pueden ser vistos como generalizaciones de la lgica de cercana que mide el poder de los actores. Los analistas de redes ms probablemente describiran sus enfoques como descripciones de centralidad que de poder. Cada uno de los 3 enfoques (grado, cercana e intermediacin) describen la ubicacin de individuos en trminos de cun cerca estn del centro de la accin en la red. Aunque la definicin de lo que significa estar al centro difiere, es ms acertado describir enfoques a redes de esta forma 7

medidas de centralidad- que medidas de poder. Pero, como hemos sugerido aqu, hay varias razones por las cuales las posiciones centrales son posiciones poderosas.

CENTRALIDAD DE GRADO
Los actores que tienen mayores vnculos con otros actores puede que tengan posiciones ventajosas. Debido a que tienen muchos vnculos, pueden tener formas alternativas de satisfacer necesidades y por tanto son menos dependientes de otros individuos. Adems, dado que disponen de muchos vnculos, pueden tener acceso y pueden conseguir ms del conjunto de los recursos de la red. El hecho de tener ms vnculos les posibilita a menudo ser terceros y permitir intercambios entre otros, pudindose beneficiar de esa posicin. As que una muy simple, pero a menudo

efectiva, medida de centralidad de un actor y de su poder potencial es su grado. Con datos de relaciones recprocas los actores difieren entre ellos slo en cuantas conexiones tienen. Con datos de relaciones orientadas puede ser importante distinguir la centralidad basada en grados de entrada de la centralidad basada en grados de salida. Si un actor recibe muchos vnculos a menudo se dice que es prominente o de prestigio, o sea muchos otros actores buscan entablar vnculos con l, y esto puede indicar su importancia. Los actores que inusualmente tienen un alto grado de salida son actores que son capaces de intercambiar con muchos otros, o hacer a muchos otros conscientes de sus punto de vista. Los actores que muestran alta centralidad de grados de salida se dice que son actores influyentes . Recordemos los datos sobre intercambio de informacin entre organizaciones operando en el campo del bienestar social (Knoke) que hemos estado examinando.

Examinaremos los grados de entrada y de salida de los puntos como medida de quin es central o influyente en esta red. UCINET ha sido usado para elrecuento y otros clculos adicionales a partir de las sugerencias de Linton Freeman. MEDIDAS DE CENTRALIDAD DE GRADO DE FREEMAN
1 Grado de salida 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST 4.00 7.00 6.00 4.00 8.00 3.00 3.00 6.00 3.00 5.00 2 3 4 Nmero de Grado de Entrada 55.56 88.89 44.44 55.56 88.89 11.11 100.00 22.22 55.56 22.22

Grado de Entrada Nmero de Grado de Salida 5.00 8.00 4.00 5.00 8.00 1.00 9.00 2.00 5.00 2.00 44.44 77.78 66.67 44.44 88.89 33.33 33.33 66.67 33.33 55.56

ESTADSTICAS DESCRIPTIVAS 1 2 3 Nmero de Grado de Salida 54.44 4 Nmero de Grado de Entrada 54.44

Grado de Grado de Entrada salida Promedio Desviacin Estndar Varianza Mnimo Mximo 4.90 4.90

1.70 2.89 3.00 8.00

2.62 6.89 1.00 9.00 43.056%

18.89 356.79 33.33 88.89

29.17 850.62 11.11 100.00

Centralizacin de red (grado de salida):

Centralizacin de red (grado de entrada): 56.944%

Notas: Los actores #5 y #2 tienen mayor grado de salida, y pueden ser considerados los ms influyentes (aunque puedan importar a quienes mandan informacin, esta medida no toma eso en cuenta). Los actores # 5 y # 2 se unen a # 7 (NEWS) cuando examinamos los grados de entrada. Que otras organizaciones compartan informacin con estos tres indicara un deseo por parte de ellas de intentar tener influencia. Este intento de influenciar puede ser interpretado como un acto de deferencia, o 9

reconocimiento de que las posiciones de los actores 5, 2 y 7 podran ser valiosas. Si nos interesara comparar redes de distinto tamao o densidad sera til estandarizar la medida de entrada y salida. En las dos ltimas columnas de la primera tabla de resultados de arriba, todos los recuentos de grados han sido expresados como porcentajes del ms grande recuento de datos en el grupo. (i.e. el # 7 tiene grado de salida 9) Los resultados de la tabla siguiente a la anterior tratan del nivel meso de anlisis. Esto es, cmo se observa el grado de distribucin del grado de centralidad. En promedio, los actores t ienen grados de 4.9, que es bastante alto, dado que hay slo nueve actores ms. Vemos que el rango de los grados de entrada ligeramente ms alto (mnimo y mximo) que el grado de salida, y que hay ms variabilidad a travs de actores en grado de entrada q ue en grado de salida (desviaciones y variaciones estndar). El rango y grados de variabilidad ( y otras propiedades de redes) pueden ser bastante importantes, porque describen si la poblacin es homognea o heterognea en lo que a posiciones estructurales se refiere. Uno puede examinar si la variabilidad es alta o baja con relacin a las puntuaciones clsicas calculando el coeficiente de variacin, (desviacin estndar dividida por el promedio, por 100) para el grado de entrada y de salida. Para las reglas usadas a menudo para evaluar

coeficientes de variacin, los valores actuales (35 para el grado de salida y 53 para el grado de entrada) son moderados. Claramente, sin embargo, la poblacin es ms homognea con relacin al grado de salida (influencia) que el grado de entrada (prominencia). La ltima pieza de informacin dada por el informe de arriba son los medidas de centralizacin de grafo de Freeman que describe a la poblacin como un todo--el nivel macro. Estos son estadsticas muy tiles, pero requieren de un poco de explicacin. Recuerda la red estrella de la discusin anterior (revsala si no es as). La red estrella es la ms centralizada o la ms desigual posible para un cualquier nmero de actores. En la red estrella, todos los actores menos uno tienes el grado de uno, y la estrella tiene grado del nmero de actores menos uno. Freeman pens que sera til expresar el grado de variabilidad en los grados de los actores en nuestra red observada como un porcentaje del de la red estrella del mismo tamao. Es as como las medidas del grfico de centralizacin de Freeman pueden ser entendidas: expresan el grado de desigualdad o variacin en nuestra red como un porcentaje de una red estrella perfecta del mismo tamao. En el caso actual, el grfico de centralizacin, de grado de salida, 10

es de 43% y el grfico de grado de entrada es de 57%. Llegaramos a la conclusin que hay una cantidad sustancial de concentracin o centralizacin en toda la red. Es decir, el poder de los actores individuales vara substancialmente y esto significa que en total, las ventajas posicionales se distribuyen de forma desigual en esta red. Ahora que entendemos estas ideas bsicas, podemos ser ms breves al ver otros enfoques de la centralidad y el poder.

CENTRALIDAD DE CERCANA
Las medidas de grados de centralidad pueden ser criticadas porque slo toman en cuenta los vnculos inmediatos que tiene el actor, en lugar de los vnculos indirectos con todos los dems. Un actor puede estar vinculado con muchos otros, pero esos otros pueden estar un tanto desconectados del conjunto de la red. En un caso como ste, el actor puede ser bastante central, pero slo en una rea local. Los enfoques a la centralidad por cercana enfatizan la distancia de un actor a otros en la red al concentrarse en la distancia geodsica de cada actor con todos los dems. Uno puede considerar las distancias geodsicas entre actores tanto directos como indirectos. Siguiendo con el mismo ejemplo, hemos decidido observar vnculos

indirectos. La suma de estas distancias geodsicas para cada actor es la lejana del actor al resto. Podemos convertir sta en una medida de cercana o centralidad de cercana al tomar la inversa (esto es, uno dividido por la lejana) y normalizarla con relacin al actor ms central. Aqu estn los resultados de UCINET para nuestros datos de intercambio de informacin.

Lejana 1 2 3 4 5 6 7 8 9 10 11.00 10.00 12.00 12.00 10.00 15.00 9.00 12.00 12.00 13.00

Cercana 81.82 90.00 75.00 75.00 90.00 60.00 100.00 75.00 75.00 69.23

11

Lejana Promedio Desviacin Est. Suma Varianza Mnimo Mximo 11.60 1.62 116.00 2.64 9.00 15.00

Cercana 79.10 11.01 791.05 121.13 60.00 100.00

Centralizacin de red: 49.34% Podemos ver que el actor # 7 es el ms cercano o central de los actores usando este mtodo, porque la suma de las distancia geodsica de # 7 con otros actores (un total de 9, a travs de 9 actores) es la menor (es ms, es la suma mnima de distancias geodsicas). Dos actores ms (# 2 y # 5) son ms cercanos. WRO (# 6) tiene la mayor lejana. En una red pequea con alta densidad, no sorprende que la centralidad basada en la distancia es muy similar a la centralidad basada en adyacentes (dado que muchas distancias geodsicas en esta red son adyacentes). En redes ms grandes o menos densas, los dos enfoques pueden dar imgenes distintas de quines son los actores centrales. La centralidad basada en la distancia puede tambin ser usada para caracterizar la centralizacin del grfico entero. Es decir, cun desigual es la distribucin de la centralidad a lo largo de una poblacin?. Otra vez, una manera til de hacer un ndice de esta propiedad de todo el grfico es comparar la varianza en los datos actuales con la varianza de la red estrella del mismo tamao. Otra vez, la red estrella es aquella dnde la distribucin de lejana entre actores muestra la mxima posible concentracin (con un actor estando mximamente cerca de distantes entre ellos). El ndice de centralidad basado en la cercana muestra un ms modesto pero aun substancial grado de concentracin en toda la red.

12

CENTRALIDAD DE GRADO DE INTERMEDIACIN

Supongamos que quiera influenciarte mandndote informacin o hacer un trato para intercambiar algunos recursos, pero que para hablar contigo tenga que pasar por un intermediario. Por ejemplo, supongamos que quiera convencer al Rector de mi

Universidad para que compre un nuevo ordenador. De acuerdo con las reglas de nuestra jerarqua burocrtica, tendra que mandar mi pedido a travs del Consejo de mi Departamento, un Decano, y el vicerrector ejecutivo. Cada una de estas personas podra demorar mi pedido, o evitar que mi pedido pase. Esto le da a la gente situada entre yo y el ector R poder con respecto a m. Para estirar el ejemplo un poco ms supongamos q ue tambin tengo un trabajo en una Escuela de Negocios al mismo tiempo que en el Departamento de Sociologa. En este caso yo podra mandar mi pedido por ambos caminos. Tener ms de un camino me hace menos dependiente y en cierto sentido ms poderoso. La centralidad del grado de intermediacin ve al actor con una posicin favorable en la medida que el actor est situado entre los caminos geodsicos entre otros pares de actores en la red. Es decir, a ms gente que dependa de mi para hacer conexiones con otra gente, ms poder tendr yo. Si, sin embargo, dos actores estn conectados por ms de un camino geodsico y yo no estoy en todos, pierdo poder. Usando el ordenador es fcil localizar caminos geodsicos entre todos lo pares de actores y contar cun frecuentemente cada actor aparece en cada camino. Y si agregamos, para cada actor, la proporcin de veces que estn entre otros actores para mandar la informacin en los datos de Knoke, obtendremos una medida de la centralidad del actor. Podemos normalizar esta medida expresndola como un porcentaje del grado mximo posible de intermediacin que un actor pueda tener. UCINET son: Los resultados de

13

Intermediacin 1 2 3 4 5 6 7 8 9 10 0.67 12.33 11.69 0.81 17.83 0.33 2.75 0.00 1.22 0.36

Intermediacin Normalizada 0.93 17.13 16.24 1.12 24.77 0.46 3.82 0.00 1.70 0.50

Intermediacin Promedio Desviacin Est. Suma Varianza Mnimo Mximo 4.80 6.22 48.00 38.69 0.00 17.83

Intermediacin Normalizada 6.67 8.64 66.67 74.63 0.00 24.77

Centralizacin de red = 20.11% Notas: Vemos que hay mucha variacin en la intermediacin del actor (desde 0 hasta 17.83), y que hay bastante variacin (desviacin estndar = 6.2 con relacin al promedio de intermediacin de 4.8). A pesar de esto la centralidad de toda la red es relativamente baja. Esto tiene sentido porque sabemos que por completo un medio de todas las conexiones puede ser hecha en esta red sin la ayuda de ningn intermediario por tanto no puede haber mucha intermediacin. Tomando en cuenta la restriccin estructural, no hay mucho poder en esta red. Los actores # 2, # 3 y # 5 parecen ser relativamente un poco ms poderosos que otros de acuerdo a estas medidas. Claramente, hay base estructural para que estos actores perciban que son distintos de los otros en la poblacin. Es ms, no sera sorprendente que estos actores se vieran a s mismos como los negociantes que mueven y hacen que sucedan las cosas. En este sentido, aunque no hay mucho poder de intermediacin en el sistema, ste podra ser importante para la formacin y estratificacin del grupo.

14

Cada uno d e estos enfoques bsicos a la centralidad y poder (grado, cercana e intermediacin) pueden y han sido elaborados para obtener informacin adicional de los grafos. Revisando algunas de estas elaboraciones podemos sugerir otras formas de relacin del poder y la posicin en las redes sociales.

EIGENVECTOR DE DISTANCIAS GEODSICAS

La medida de centralidad de cercana descrita lneas arriba se basa en la suma de distancias geodsicas de cada actor al resto (lejana). En redes ms grandes y

complejas que los ejemplos que hemos considerado es posible que esta medida desoriente en cierta forma. Considera dos actores, A y B. El actor A es cercano a un grupo pequeo y cerrado dentro de un red ms grande, y bastante distante de muchos miembros de la poblacin. El actor B est a moderada distancia de todos los actores de la poblacin. La medicin de lejana para A y B podra ser bastante similar en magnitud. En cierto sentido, sin embargo, el actor B es realmente ms central que A en este ejemplo, porque B puede alcanzar ms nodos de la red con el mismo esfuerzo. El enfoque eigenvector es un intento de encontrar a los actores ms centrales (i.e. aqullos con menor lejana que otros) en trminos de estructura global o general y prestar menos atencin a patrones ms locales. El mtodo usado (anlisis de

factores) va ms all del alcance de este texto. En general, lo que el anlisis de factores hace es identificar dimensiones de la distancia entre actores. La ubicacin de cada actor con relacin a cada dimensin se llama valor eigeny la coleccin de tres valores se llama eigen vector. Usualmente, la primera dimensin captura los aspectos globales de distancias entre actores; las segundas y futuras dimensiones capturan ms subestructuras especficas. Para ilustrar esto hemos usado UCINET para calcular los eigen vectores de la matriz de distancia para informacin de los datos sobre intercambio de informacin de Knoke. En este ejemplo, hemos medido la distancia entre dos actores como la ms larga de las distancias geodsicas dirigida entre ellas. Si nos interesara ms la informacin de las relaciones de intercambio que simplemente las fuentes o receptores de informacin sera bueno tomar este enfoque - porque nos dice que para estar cerca, un par de

15

actores deben tener distancias cortas entre ellos en ambas direcciones. Aqu est el resulado: CENTRALIDAD DE BONACICH
ATENCIN: ESTA VERSIN DEL PROGRAMA NO PUEDE MANEJAR DATOS ASIMTRICOS. MATRIZ HA SIDO SIMETRIZADA TOMANDO LA LONGITUD DE xij Y xji. LA

VALORES EIGEN
FACTOR 1 2 3 4 VALOR 6.766 1.209 0.944 0.187 9.106 PORCENTAJE ACUMULATIVO% 74.3 13.3 10.4 2.1 100.0 74.3 87.6 97.9 100.0 RATIO 5.595 1.282 5.037

MEDIDAS CENTRALIDAD DEL VECTOR EIGEN BONACICH

1 vector eigen 2 vector eigen Normalizado 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST 0.343 0.379 0.276 0.308 0.379 0.142 0.397 0.309 0.288 0.262 48.516 53.538 38.999 43.522 53.538 20.079 56.124 43.744 40.726 37.057

16

ESTADSTICAS DESCRIPTIVAS
1 Vector Eigen 1 2 3 4 5 6 7 8 Promedio Desviacin Est. Suma Varianza Euc Norm Mnimo Mximo N de obs. 0.31 0.07 3.08 0.01 1.00 0.14 0.40 10.00 2 Vector Eigen Normalizado 43.58 10.02 435.84 100.41 141.42 20.08 56.12 10.00

ndice de Centralizacin de la red = 20.90% El primer grupo de estadsticas nos dice cunto del patrn general de distancias entre actores puede ser visto como reflejando el patrn global (el primer valor eigen), y ms localmente, los patrones adicionales. Estamos interesados en los porcentajes de la variacin general en las distancias que se toman en cuenta por el primer factor. Aqu este porcentaje es 74.3% esto significa que casi de todos las distancias entre actores son reflejo de las principales dimensiones del patrn. Si esta cantidad no es grande (digamos ms del 70%), se debe tener cuidado al usarlo para interpretar resultados futuros, porque el patrn dominante no est haciendo un buen trabajo describiendo los datos. El primer valor eigen debe ser considerablemente mayor que el segundo (aqu, el radio entre el primer valor eigen y el segundo es de 5.6 a 1). Esto significa que el patrn dominante en cierta forma es 5.6 veces tan importante como el patrn secundario. Despus podemos atender a las puntuaciones de cada caso en el primer eigenvector. Las puntuaciones ms altas indican que los actores son ms centrales al patrn principal de distancias entre todos los actores, las puntuaciones ms bajas indican que los actores son ms perifricos. Los resultados son muy similares a los encontrados en nuestro anterior anlisis de centralidad por cercana, con el actor # 7, # 5 y # 2 ms centrales y # 6 ms perifrico. Usualmente el enfoque del valor eigen har lo que debe hacer: darnos una versin limpia de las m edidas de centralidad por cercana, como lo hace aqu. Es una buena idea examinar ambos y compararlos. Finalmente, examinamos la centralizacin general del grfico y la distribucin de centralidades. Hay relativamente poca variabilidad en la centralidad (desviacin 17

estndar .07) alrededor del promedio (.31). Esto sugiere que, en general, no hay grandes desigualdades en la centralidad o poder del actor, cuando medimos de esta forma. Comparado a la red estrella, el nivel de desigualdad o concentracin e d los datos Knoke es slo 20.9% de lo mximo posible. Esto es mucho menor que la medida de centralizacin de red para la medida de cercana cruda (49.3), y sugiere que algunas diferencias de poder usando el enfoque de la cercana cruda puede n deberse ms a aparentes desigualdades locales que globales. El enfoque de anlisis de factores puede ser usado para examinar el grado o intermediacin tambin, pero no te agobiaremos con esos ejercicios. Nuestro punto principal es: la distancia geodsica entre actores es una medida razonable de un aspecto de centralidad - o ventaja posicional. A veces, estas ventajas pueden ser ms locales y a veces ms globales. El enfoque factor analtico es un acercamiento que algunas veces nos ayuda a enfocar el patrn ms global. Otra vez, no se trata de que un enfoque sea correcto y otro no sino que dependiendo de los objetivos de nuestro anlisis, desearemos enfatizar uno u otro aspecto de la ventaja posicional que surge de la centralidad.

CENTRALIDAD DE FLUJO
La medida de centralidad de intermediacin que hemos examinado arriba caracteriza a actores con ventaja posicional, o poder, en la medida que aparecen en el camino ms corto (geodsico) entre otro par de actores. La idea es que actores que estn entre otros actores y sobre aquellos de quines stos dependen para hacer intercambios, convertir el rol de intermediario en poder. Supongamos que dos actores quieren una relacin, pero el camino geodsico entre ellos est bloqueado por un intermediario indiferente. Si existe otro camino, los dos actores lo usarn probablemente, aunque sea ms largo o menos eficiente. En general, los actores pueden bien usar todos los vnculos que los conectan en vez de solamente vnculos geodsicos. El enfoque de flujo a la centralidad expande la nocin de centralidad de intermediacin y supone que los actores usarn todos los itinerarios que los conectan antes que solamente caminos geodsicos. El enfoque de flujo a la centralidad expande la nocin de intermediacin. Asume que los actores usarn todos los itinerarios que los conectan. La intermediacin se mide por la proporcin de todo el flujo entre dos actores (es decir, a travs de todos los caminos que los conecta) que ocurre en los caminos de los cuales el actor es parte. Para cada actor, entonces, la 18

medida suma cun involucrado el actor est en todo el flujo entre todos los pares de actores (la cantidad de clculos con ms de una par de actores puede ser enormemente intimidatoria!). En tanto se puede esperar que la magnitud de este ndice se incremente con el tamao y densidad de la red, es til estandarizarlo calculando el flujo de intermediacin de cada actor en relacin al flujo total de intermediacin que no involucra al actor. CENTRALIDAD DE FLUJO DE INTERMEDIACIN
Flujo de intermediacin 1 2 3 4 5 6 7 8 9 10 10.00 49.00 17.00 14.00 48.00 2.00 23.00 8.00 9.00 12.00 Flujo de intermediacin Normalizado 7.69 39.20 12.50 10.53 37.80 1.34 16.67 6.06 6.34 9.09

ESTADSTICAS DESCRIPTIVAS PARA CADA MEDIDA

Flujo de intermediacin Promedio Desviacin Est. Suma Varianza Mnimo Mximo 19.20 15.57 192.00 242.56 2.00 49.00 Flujo de intermediacin Normalizado 14.72 12.50 147.21 156.33 1.34 39.20

ndice de Centralizacin de la red = 27.199% Con esta medicin ms completa de centralidad de intermediacin los actores # 2 y # 5 son claramente los ms importante mediadores (con el NEWS #7 , siendo un distante tercero). El actor # 3 que era importante cuando considerbamos slo flujo geodsico es ahora menos importante. Mientras la imagen completa no cambia

mucho, la definicin elaborada de intermediacin nos da una impresin algo distinta de quin es el ms importante en la red. 19

Algunos actores claramente son ms centrales que otros, y la variabilidad relativa de flujo de intermediacin de los actores es bastante grande (la desviacin estndar de intermediacin del flujo normalizado es de 14.7 con relacin al promedio de 12.5 dado un coeficiente de variacin relativa de 85%). A pesar de esta relativamente alta

cantidad de variacin, el grado de desigualdad o concentracin en la distribucin de las centralidades del flujo de intermediacin entre los actores es bastante baja -en relacin a la red estrella (el ndice de centralizacin es de 27.199). Esto es ligeramente ms alto que el ndice para las medidas de intermediacin que se basaba slo en distancias geodsicas.

EL NDICE DE PODER DE BONACICH

Phillip Bonacich propuso una modificacin al enfoque de centralidad de grado que ha sido ampliamente aceptado como superior a la medida original. La idea de Bonacich, como toda buena idea es simple. El enfoque original de centralidad sostiene que actores que tienen ms conexiones son probablemente ms poderosos porque pueden directamente afectar a ms actores. Esto tiene sentido, pero tener el mismo grado no necesariamente hace a los actores igualmente importantes. Supongamos que Bill y Fred cada uno tiene 5 amigos cercanos. Los amigos de Bill sin embargo estn bastante aislados y no tienen muchos otros amigos adems de Bill. Los amigos de Fred tienen muchos amigos quienes a la vez tambin tienen muchos amigos y as sucesivamente. quin es ms central?. Estaramos de acuerdo que es Fred porque la gente con la que est conectada est mejor conectada que lo amigos de Bill. Bonacich sostiene que la centralidad es una funcin de cuntas conexiones tiene uno y los actores en relacin con uno. Mientras argumentbamos que los actores ms centrales son los ms poderosos, Bonacich cuestion esta idea. Compara a Bill y a Fred de nuevo. Fred es claramente ms central, pero es ms poderoso?. Un argumento sera de que uno puede ser ms influyente si est conectado a otros centrales - porque uno puede rpidamente contactarse con muchos otros actores con su mensaje. Pero si los actores con los que estas conectado estn a su vez bien conectados no son altamente dependientes de ti tienen muchos contactos, al igual que t. Si por otro lado la gente con la que contactas no est bien conectada, es dependiente de ti. Bonacich argumentaba que estar bien conectado a otros conectados te hace central pero no poderoso. De alguna manera, irnicamente, estar conectado a otros que no estn bien conectados hace a 20

uno poderoso, porque estos otros actores dependen de ti mientras los otros actores bien conectados no. Bonacich propuso que ambas nociones centralidad y poder eran funciones de las conexiones del actor con su entorno. A ms conexiones los actores tengan con tu entorno, ms central eres t. Cuantas menos conexiones stos tengan con tu entorno, ms poderoso eres. Parecera existir un problema para construir un algoritmo que incorporase estas ideas: supongamos A y B estn conectados; el poder y centralidad de A est en funcin de sus propias conexiones y tambin las conexiones de B. De la misma forma, el poder y centralidad de B depende de las de A. As que, el poder y centralidad de cada actor depende del poder de cada otro simultneamente. Hay una manera de salir de este dilema del huevo y la gallina. Bonacich mostr que para resolver esta ecuacin en sistemas simtricos, un enfoque de estimacin iterativa simultnea eventualmente convergera en una sola respuesta. Se comienza dndole a cada actor una centralidad estimada igual a su propio grado, ms un clculo ponderado de la funcin de los actores con quin est conectado. Entonces, hacemos esto de nuevo, usando las primeras estimaciones (i.e. le damos a cada actor una centralidad estimada igual a su primera puntuacin ms las primeras puntuaciones de aqullos con los que est conectado). Si hacemos esto numerosas veces, los tamaos

relativos (no los tamaos absolutos) de todas las puntuaciones sern iguales. A continuacin, las puntuaciones pueden ser recalculadas escalando las constantes. Examinaremos las puntuaciones de centralidad y poder para nuestros datos de intercambio. Primero, examinamos el caso donde la puntuacin para cada actor es una funcin positiva de su propio grado y el nivel de los otros a los que est conectado. Hacemos esto al seleccionar un peso positivo (Parmetro Beta) para el grado de otros en cada entorno del actor. Este enfoque nos lleva a una puntuacin de centralidad.

21

CENTRALIDAD BONACICH Beta Parameter: 0.50000

ATENCIN: La matriz de datos ha sido simetrizada tomando la longitud de xij y xji. CENTRALIDAD DEL ACTOR
1 Centralidad 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST - 2.68 - 3.74 - 2.76 - 2.95 - 4.05 - 1.16 - 2.67 - 3.49 - 2.89 - 2.95

ESTADSTICAS DESCRIPTIVAS
1 Centralidad 1 2 3 4 5 6 7 Promedio Desviacin Est. Suma Varianza Euc. Norm Mnimo Mximo - 2.93 0.74 - 29.32 0.55 9.57 - 4.06 - 1.16

ndice de Centralizacin de la red = 17.759 Notas: Si analizamos el valor absoluto de las puntuaciones nos encontramos con un a historia conocida. El actor # 5 y # 2 son claramente los ms centrales. Esto se debe a que tienen un alto grado y porque estn conectados entre s y con otros actores de alto grado. El UWAY (# 8) tambin aparece con alta centralidad con esta medida - ste es un nuevo resultado. En este caso se debe a que el UWAY est conectado a todos los

22

otros puntos con altos grados al ser una fuente para ellos y hemos contado una relacin tanto si se trata de un emisor como de un receptor. Cuando tomamos en cuenta las conexiones de aqullos con quienes los actores estn conectados, hay menos variacin en los datos que cuando examinamos slo adyacentes. La desviacin estndar de las centralidades del actor es pequea en relacin a la puntuacin media. Esto sugiere relativamente poca dispersin o

desigualdad en la centralidad, lo que se confirma al comparar la distribucin de los datos con la red estrella (i.e. ndi ce de centralidad de la red = 17.759). Veamos el lado del poder del ndice que se calcula con l mismo algoritmo, pero que da peso negativo a conexiones con conexiones dbiles. PODER BONACICH Parmetro Beta: - 0.500000

ATENCIN: La matriz de datos ha sido s imetrizada tomando el longitud de xij y xji. PODER DEL ACTOR
1 Poder 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST - 1.00 2.00 1.00 1.00 3.00 - 0.00 3.00 1.00 2.00 1.00

23

ESTADSTICAS
1 Poder 1 2 3 4 5 6 7 Promedio Desviacin Est. Suma Varianza Euc. Norm Mnimo Mximo 1.30 1.19 13.00 1.41 5.57 - 1.00 3.00

ndice de Centralizacin de la red = 17.000 Notas: Como era previsible, estos resultados son muy distintos a otros que hemos examinado. Puedo decir que no sorprende porque la mayora de medidas que hemos visto equiparan centralidad con poder, mientras que el ndice de poder de Bonacich ve el poder como distinto a la centralidad. El MAYR (# 5) y COMM (# 2) son centrales (resultados previos) y poderosos. Ambos actores estn conectados con casi todos - incluidos bien conectados y poco conectados. El actor # 9 (WELF) se ubica en este ndice entre los actores ms poderosos. Esto es probablemente por su vnculo con WRO (# 6) un actor poco conectado. El actor # 1 que tiene alto grado se ve aqu como no poderoso, si ve el diagrama otra vez, puede ver que el actor # 1 se conecta casi con todos los actores altamente conectados. El enfoque de Bonacich a la centralidad y al poder basado en el grado son extensiones naturales de la idea de grado de centralidad basado en adyacentes. Uno simplemente toma en cuenta las conexiones de tus conexiones adems de tus conexiones. La nocin que el poder surge con conexiones con dbiles, por oposicin a las fuertes es interesante y apunta a otra manera en la que la posicin de los actores en la estructura de red les da diferentes potencialidades.

RESUMEN DEL CAPTULO 6

Los mtodos de anlisis de redes sociales proporcionan algunas herramientas tiles para dirigirse a uno de los ms importantes (pero tambin ms complejos y difciles) aspectos de la estructura social: las fuentes y distribucin del poder. La perspectiva de

24

redes sugiere que el poder de los actores no es un atributo del individuo, sino que surge de sus relaciones con los otros. Todas las estructuras sociales pueden tambin ser vistas como desplegando altos o bajos niveles de poder como resultado de las variaciones en los patrones de vnculos entre los actores. Adems, el grado de

desigualdad o concentracin de poder en la poblacin podra ser indexado. El poder se deduce de la ocupacin de posiciones ventajosas en las redes de relaciones. Tres son las fuentes bsicas de poder: grado alto, alta cercana y alto grado de intermediacin. En estructuras simples (como la estrella, el crculo y la lnea), estas ventajas tienden a covariar. En estructuras grandes y complejas, puede existir disyuntivas considerables entre estas caractersticas de una posicin de tal manera que un actor podra ser localizado en una posicin que es ventajosa en algn aspecto, y desventajosa en otros. En el captulo anterior y en el presente, hemos enfatizado que los mtodos de anlisis de redes sociales nos dan, en el mismo momento, visiones individuales y de la poblacin en general. Uno de los temas ms importantes y de larga duracin en el estudio de la organizacin social humana, sin embargo, es la importancia de las unidades sociales que se sitan entre los polos de los individuos y la poblacin en general. En el prximo captulo, volvemos a concentrarnos en cmo los mtodos de anlisis de redes sociales describen y miden la diferenciacin de subpoblaciones.

PREGUNTAS DE ESTUDIO CAPTULO 6

Cul es la diferencia entre centralidad y centralizacin ? Por qu es un actor con mayor grado un actor ms central? Cmo la medida de influencia Bonacich extiende la idea de centralidad? Puedes explicar por qu se dice que un actor que tiene una suma ms pequea de distancias geodsicas a todos los actores es ms central, usando el enfoque de cercana? Cmo el enfoque de flujo extiende la idea de cercana como una aproximacin a la centralidad?

25

Qu significa que un actor se sita entre otros dos actores? P or qu la intermediacin da al actor poder de influencia?

Cmo el enfoque de flujo extiende la idea de intermediacin como una aproximacin a la centralidad?

Muchos de los enfoques sugieren que la centralidad confiere poder e influencia. Bonacich sugiere que el poder y la influencia no son lo mismo. Cul es el argumento de Bonacich? Cmo Bonacich mide el poder del actor?

PREGUNTAS DE APLICACIN CAPTULO 6

Piensa en las lecturas de la primera parte del curso. Qu estudios usaron las ideas de ventaja estructural, centralidad, poder e influencia? qu clases de enfoque se utilizaron para cada uno : el grado, cercana e intermediacin? Puedes pensar en alguna circunstancia donde ser central podra hacer a uno menos influyente? menos poderoso? Considera una red directa que describe una burocracia jerrquica, donde la relacin es dar ordenes a, qu actores tienen el ms alto grado? son ellos los ms poderosos e influyentes? qu actores tienen alta cercana? qu actores tienen alta intermediacin? Puedes pensar en un ejemplo de la vida real en el cual un actor podra ser poderoso pero no central? quin podra ser central y no poderoso?

26

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAPTULO SPTIMO

Robert A. Hanneman. Departamento de Sociologa de la Universidad de California Riverside.

NOTA PREVIA
Este documento esta traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en http://wizard.ucr.edu/~rhannema/networks/text/textindex.html [Consulta: 20-02-02]. Este captulo ha sido traducido por Ren Ros, del Departamento de Sociologa de la Universidad Catlica de Chile.

CAPTULO VII. GRUPOS Y SUBESTRUCTURAS INTRODUCCIN

Unos de los intereses ms comunes del anlisis estructural radica en las "subestructuras" que pueden estar presentes en una red. crculos ego-centrados, pueden ser pensadas como Las Dadas, Tradas y subestructuras. Las

combinaciones de dadas y tradas en estructuras mayores, las cuales estn conectadas a su vez, desarrollan o constituyen las redes. Muchas de las aproximaciones para comprender la estructura de una red enfatizan la forma en la que las conexiones estn compuestas y se extienden para desarrollar "cliques" ms grandes o subagrupaciones. Esta visin de la estructura social centra la atencin en cmo la solidaridad y la conexin de grandes estructuras pueden ser construidas a partir de componentes pequeos y cohesionados: un tipo de aproximacin de abajo hacia arriba. Los analistas de redes han desarrollado un conjunto de definiciones y algoritmos para identificar los componentes ms pequeos en las grandes estructuras: cliques, n-cliques, n-clans y k-plexes sirven para ver las redes desde esa perspectiva. La divisin de actores en cliques o subgrupos puede ser un aspecto muy importante de la estructura social. Pueden ser importantes para comprender el comportamiento de la red en su conjunto. Por ejemplo, suponga que los actores de una red forman dos cliques no yuxtapuestos, pero que existe alguna yuxtaposicin de miembros, esto es, que algunos actores pertenecen a ambos cliques. Donde los grupos coinciden, podemos esperar que el conflicto entre ellos sea menos probable que en aquellos dnde no coinciden. Donde los grupos coinciden, la movilizacin y difusin pueden esparcirse ms rpidamente a travs de toda la red; donde no hay yuxtaposicin de los grupos, pueden observarse rasgos de un grupo que no se difunden al otro. Saber cmo un individuo est inmerso en la estructura de grupos en una red puede ser un aspecto crtico para la comprensin de su conducta. Por ejemplo, algunos pueden actuar como puentes entre grupos (los cosmopolitas, ampliadores de fronteras). Otros pueden tener todas sus relaciones dentro de un nico clique (los locales o internos). grupo. Algunos actores pueden ser parte de una elite cerrada y densamente conectadas, mientras que otros estn completamente aislados de ese Tales diferencias en las formas que los individuos estn inmersos en la estructura de grupos en una red pueden tener profundas consecuencias en las

maneras que esos actores perciben su funcionamiento y en las prcticas que ms probablemente despliegan. La idea de subestructuras, o grupos, o cliqus, en una red es una poderosa herramienta para comprender la estructura social y la imbricacin de los individuos. La definicin de un clique es bastante simple: es un subconjunto de actores que estn ms fuertemente conectados mutuamente que lo que lo estn con otros actores que no forman parte del grupo. mayores. Para visualizar algunas de las principales ideas y examinar algunas de las principales maneras de cmo los analistas han definido los cliques, trabajaremos con un ejemplo. Todos los anlisis se pueden realizar usando UCINET. La mayora de los algoritmos computacionales para definir cliques operan sobre datos binarios simtricos. Usaremos los datos de intercambio de informacin de Knoke. Cuando los algoritmos lo permitan, usaremos los datos en su forma dirigida. Cuando los datos sean simtricos, analizaremos los vnculos fuertes. vnculo existe slo si xy e yx estn presentes. La matriz de datos resultantes es la siguiente:
1 1 2 3 4 5 6 7 8 9 0 - - - - - - - - - 1 2 1 3 0 1 4 0 1 0 5 1 1 1 1 6 0 0 1 0 0 7 0 1 0 1 1 0 8 0 1 0 0 1 0 0 9 0 1 0 0 1 0 0 0 10 1 0 1 0 1 0 0 0 0 -

Pero cuando uno quiere ser ms preciso y aplicar

rigurosamente el concepto al analizar los datos, se tienen que afrontar complicaciones

Esto es, vamos a

simetrizar los datos, de modo que slo contaremos los lazos recprocos, es decir, un

Tericamente tiene sentido insistir en que la informacin se mueva en ambas direcciones para que la cercana sea percibida por ambas partes, y reducir la densidad de la matriz sustancialmente. de datos. 4 Las matrices con una densidad muy alta, casi por definicin, tienen pocos subgrupos o cliques distinguibles. Ayuda a visualizar el grafo

Notas: El diagrama sugiere varias cosas. Los actores # 5 y # 2 aparecen en el centro de la accin, en el sentido de que son miembros de varias de las agrupaciones y sirven para conectarlas por su coparticipacin. La conexin de subgrafos por los Si se examina actores puede ser un rasgo importante. Podemos tambin ver que hay un caso (#6) que no es miembro de ningn subgrupo (excepto de un dada). cuidadosamente, se ver que las dadas y tradas son los subgrafos ms comunes y que a pesar de la substancial conectividad en el grafo, agrupaciones superiores a stas son pocas. De la inspeccin visual, se ve que la mayora de las diversas agrupaciones estn conectadas: los grupos se yuxtaponen. Los principales rasgos de un grafo, en trminos de los cliques y subgrafos, se pueden identificar por observacin directa: Cun separados estn los subgrafos (se yuxtaponen y comparten miembros, o dividen y crean facciones en la red)? De qu tamao son los subgrafos conectados? Hay pocos grupos grandes o un gran nmero de grupos pequeos? Hay actores particulares que parecen desempear roles en la red? grupos? Las herramientas formales y conceptos de la estructura de subgrafos ayudan a definir las ideas con mayor rigurosidad. Varios algoritmos se pueden aplicar para ubicar, listar y estudiar los rasgos de los subgrafos. Obviamente, dependiendo de nuestras definiciones, es posible establecer diversas agrupaciones y posiciones en las subestructuras. En seguida, veremos algunas de las ideas ms comunes. 5 Por

ejemplo, son nodos que conectan el grafo o hay quienes estn aislados de los

APROXIMACIONES DE ABAJO HACIA ARRIBA

En un sentido, todas las redes estn compuestas de grupos (o subgrafos). Cuando dos actores tienen un vnculo, forman un "grupo". Una aproximacin para pensar acerca de la estructura grupal de una red comienza con este grupo bsico y busca cunto se puede extender esta relacin cercana. Un clique extiende la dada aadiendo a ella miembros que estn vinculados con todos los miembros de un grupo. Se puede relajar esta definicin estricta de modo que sea posible incluir nodos adicionales que no estn muy fuertemente vinculados (n-cliques, n-clans, k-plexes y kncleos). La nocin, sin embargo, es partir de los vnculos simples para "construir" la red. Un mapa de toda la red puede ser construido examinando los tamaos de los distintos cliques y agrupaciones de tipo clique notando sus tamaos y yuxtaposiciones. Este tipo de aproximacin, acerca de las subestructuras de las redes, tienden a enfatizar cmo lo macro puede surgir de lo micro. Tienden a enfocar nuestra atencin primero en individuos y en entender cmo estn inmersos en la estructura mayor de la red a partir de los grupos yuxtapuestos. Esta idea aparentemente obvia se tiene que destacar porque tambin es posible aproximarse a la cuestin de la subestructura de las redes, desde una perspectiva de arriba hacia abajo. abajo hacia arriba. Habitualmente, ambos aspectos son valiosos y complementarios. Vamos a continuar con la aproximacin de

CLIQUES
La idea de un clique es relativamente simple. Al nivel ms general, un clique es un subconjunto de una red en el cual los actores estn ms cercana y fuertemente conectados mutuamente, que lo que lo estn respecto al resto de los integrantes de la red. En lazos de amistad, por ejemplo, es usual que la gente forme cliques en los grupos humanos, sobre la base de la edad, gnero, raza [sic], etnicidad, religin o ideologa y muchas otras cosas. Los ms pequeos estn formados por dos actores: la dada. Pero la dada puede ser "extendida" para llegar a ser ms inclusiva, formando componentes fuertes y vinculados muy estrechamente en los grafos. Se pueden desarrollar varias maneras para encontrar grupos en los grafos, que son extensiones de dadas.

La definicin ms fuerte de un clique es un determinado nmero de actores (ms de dos, usualmente se usan tres), que tienen todos los vnculos posibles presente entre ellos. Una agrupacin de este tipo es el "Subgrafo mximo completo", el cual se expande hasta incluir a la mayor cantidad de actores posibles. Requerimos a UCINET encontrar todos los cliques en los datos de Knoke que satisfacen el criterio de subgrafo mximo completo de definicin de clique.

Notas:

Hay siete (7) subgrafos mximos completos presente en estos datos.

El

mayor est compuesto por cuatro de los diez actores y todos los integrantes de los cliques ms pequeos comparten alguna yuxtaposicin con alguna parte del ncleo. Podremos estar interesados en cunto estas subestructuras estn yuxtapuestas y en saber qu actores son ms "centrales" y en cules estn ms aislados de los cliques. Podemos buscar respuestas analizando la coparticipacin.

Notas: Es inmediatamente evidente que el actor #6 est completamente aislado y que los actores # 2 y # 5 se yuxtaponen con casi todo los dems actores en al menos un clique. Vemos que los actores 2 y 5 son ms "cercanos" en el sentido de que comparten participacin en cinco de los siete cliques. Podemos avanzar un paso ms realizando un anlisis de conglomerados de adicin sucesiva de lazos para crear una secuencia de afiliacin basada en el nmero de partipaciones en cliques que los actores comparten.

AGLOMERACIN JERRQUICA

Notas: Vemos que los actores 2 y 5 se juntan primero por estar cercanos ya que comparten 5 participaciones. Al nivel de compartir solo dos participaciones se Si requerimos slo una participacin, todos los incorporan los actores 1, 3 y 10.

actores, con excepcin del 6, se incorporan. Insistir que cada miembro de un clique debe estar conectado a cualquier otro miembro es una definicin muy estricta de lo que entendemos por un grupo. clan y K-plex. Hay varias maneras de relajar esta restriccin. Dos aproximaciones principales son N-clique, N-

N-CLIQUES
Para muchos propsitos la definicin estricta (subgrupo mximo completamente conectado) puede resultar demasiado fuerte. Requiere que todo miembro de un subgrupo tenga un lazo directo con todos y cada uno de los otros miembros. Se pueden pensar casos de cliques en los que al menos algunos de sus miembros no estn conectados tan cercana ni fuertemente. Hay dos principales maneras de relajar la definicin de clique para hacerla ms til y general. Una alternativa es definir a un actor como miembro de un clique si est conectado con todos los otros miembros del grupo a una distancia mayor que uno. Usualmente, se usa la distancia de trayecto de dos. Esto es equivalente a ser amigo de un amigo. Esta forma de denomina N-clique, en la que N corresponde a la longitud de la trayectoria permitida para hacer una conexin con todos los otros miembros. Cuando aplicamos la definicin N-clique a nuestros datos, obtenemos lo siguiente.

Notas: Los cliques que vimos antes se han hecho ms inclusivos por la definicin relajadas de participacin grupal. El primer n-clique incluye a todos excepto al actor 6. El segundo es ms restrictivo e incluye al 6 (WRO), junto con dos elementos del ncleo. Como hemos relajado la exigencia de cercana para ser considerado Con subgrupos ms grandes y menos miembros, hay menos cliques mximos.

frecuentes, el alcalde (#5), ya no parece ser tan crtico. Con la definicin ms relajada aparece ahora un "ncleo duro" de actores que son miembros de ambas agrupaciones mayores. Esto se puede constatar en la matriz de coparticipacin y por aglomeracin [clustering].

Notas:

Al examinar estas coparticipaciones en cliques y de la aglomeracin por

cercana, bajo esta definicin de clique, se produce un cuadro ligeramente distinto que una aproximacin de lazos fuertes. Los actores #2, #3, #5 y #10 forman un ncleo o crculo ntimo con este mtodo. A diferencia del ncleo compuesto por los actores #2, #5, #4 y #7, obtenido por el mtodo mximo, en el cual el 5 es una clara estrella). No se puede afirmar que un resultado es ms correcto que el otro.

N-CLANES
El enfoque N-clique, tiende a encontrar agrupaciones grandes y difusas en lugar de las ms fuertes y discretas del enfoque mximo. En algunos casos, se pueden encontrar N-cliques que tiene la posiblemente indeseada propiedad de la conectividad con actores que no son en s mismos miembros de un clique. mayora de las aplicaciones sociolgicas esto es problemtico. Por esta razn, algunos analistas han sugerido restringir los N-cliques por medio de exigir que el rango total o la distancia de la trayectoria entre cualquier par de miembros de un N-clique tambin satisfagan una condicin. Este tipo de restriccin tiene el efecto de forzar todos los vnculos entre miembros a que se realicen por medio de otros miembros de un N-clique. Este enfoque es el N-clan. En el caso actual, el enfoque N-clan no difiere del enfoque N-clique Sin embargo, para la

10

Notas: Los enfoques N-clique y N-clan proveen alternativas a la definicin estricta de clique y a menudo estos enfoques ms relajados tienen bastante sentido con datos sociolgicos. En esencia, el enfoque N-clique permite a un actor ser miembro de un clique an si no tienen lazos con todos los otros miembros pero siempre que tenga vnculos con otro miembro y que no est alejado ms de n pasos (usualmente 2) de todos los miembros del clique. El enfoque N-clan es una modificacin relativamente menor del enfoque N-clique, que requiere que todos los vnculos entre los actores se realicen a travs de otros miembros del grupo. Si no se est convencido de considerar a un amigo de un miembro de un clique como miembro del clique (el enfoque N-clique), se puede considerar una manera alternativa de relajar los supuestos de la definicin estricta, el enfoque K-plex.

K-PLEX
Una manera alternativa de relajar los supuestos fuertes del subgrafo mximo completo es permitir que los actores sean miembros de un clique si tienen lazos con todos excepto con k otros miembros. Por ejemplo, si A tiene vnculos con B y C, pero no con D; y ambos B y C tienen vnculos con D, los cuatro actores podran constituir un clique bajo el enfoque K-plex. Este enfoque postula que un nodo es miembro de un clique de tamao n, si tiene lazos directos con n-k miembros de ese clique. El enfoque K-plex parecer tener bastante en comn con el N-clique, pero el anlisis basado en K-plex a menudo arroja un cuadro bastante diferente de las subestructuras del grafo. En vez de agrupaciones grandes y concatenadas, que a veces produce el anlisis N-clique, el anlisis K-plex tiende a encontrar nmeros relativamente grandes de pequeas agrupaciones. Esto tiende a llamar la atencin sobre yuxtaposiciones y co-presencia (centralizacin) ms que en solidaridad y accesibilidad. En el ejemplo que sigue permitimos que k sea igual a dos. Esto es, un actor es considerado miembro de un clique si tiene vnculos con todos menos otros dos actores en dicho clique. Con esta definicin, hay muchos clique de tamao tres (en efecto, en nuestro grafo hay 35 K-plex cliques, pero slo seis de ellos tienen mas de tres miembros). Con K=2 un nodo requiere estar conectado solo con un otro miembro para ser considerado. Pero esto no es muy satisfactorio como clique, de modo que hemos eliminado estas agrupaciones de tres casos. Los restantes K-cliques son:

11

K-PLEXES: COUN COMM COUN COMM COUN COMM COUN COMM COUN COMM COUN COMM COMM EDUC COMM EDUC COMM EDUC COMM EDUC COMM INDU COMM INDU COMM INDU COMM MAYR COMM MAYR COMM MAYR

EDUC EDUC INDU MAYR MAYR MAYR INDU MAYR MAYR MAYR MAYR MAYR MAYR NEWS NEWS UWAY

MAYR WEST WEST MAYR NEWS UWAY WELF MAYR NEWS UWAY WELF NEWS UWAY WELF UWAY WELF WELF

Notas: El COMM est presente en todo componente k; el MAYR en todos menos uno. Claramente estos dos actores son "centrales", en el sentido de que juegan un rol de puente entre mltiples diferentes crculos sociales ligeramente diferentes. De nuevo notamos que la organizacin nmero #6, (WRO) no es miembro de ningn clique k-plex. Comparado con el mtodo mximo o N-clique, el mtodo K-plex tiende a encontrar los "crculos sociales solapados o yuxtapuestos". El enfoque K-plex para definir subestructuras tiene bastante sentido en muchos problemas. Requiere que los miembros de un grupo tengan vnculos con la mayora de otros miembros - lazos por medio de intermediarios (como en el enfoque N-clique) no habilitan a un nodo como miembro. La imagen de la estructura grupal que emerge de enfoques K-plex puede ser bastante diferente que los que surgen del anlisis Nclique. De nuevo, no se trata de que uno sea correcto y el otro equivocado. Dependiendo de los objetivos del anlisis, ambos pueden proveer interesantes perspectivas sobre la subestructura de los grupos.

K-NCLEOS
Un k-ncleo es un grupo mximo de actores, todos los cuales estn ligados a algn nmero (k) de otros miembros del grupo. Para ser incluido en un K-plex, un actor debe estar ligado con todo excepto k otros actores en el grupo. El enfoque K-ncleo es ms relajado, permitiendo a los actores formar parte de un grupo si estn conectados con k miembros, siendo indiferente a cuntos otros miembros pudieran estar conectados. Al variar el valor de k (es decir, a cuntos miembros del grupo debe estar conectado), pueden emerger distintas imgenes. Los K-ncleos pueden ser - y

12

suelen serlo-, ms inclusivos que los K-plexes. Y, a medida que k es ms pequeo, el tamao de los grupos se agrandar. En nuestro datos de ejemplo, si requerimos que cada miembro de un grupo tenga lazos con otros 3 miembros (un 3-ncleo) se identifica un grupo central bastante grande [#1,#2,#3,#4,#5,#7,#10]. Cada uno de los siete miembros de este ncleo tiene lazos con al menos otros tres. Si relajamos el criterio y requerimos solo dos lazos, se agregan los actores 8 y 9 a este grupo (y el miembro 6 es un aislado). Si requerimos slo un lazo (en realidad, sera lo mismo que un componente), todos los actores estn conectados. La definicin del k-ncleo es intuitivamente atractiva para algunas aplicaciones. Si un actor tiene vnculos con un nmero suficiente de miembros de un grupo, pueden sentirse atados al grupo, an cuando no conozcan a muchos o incluso a la mayora de sus miembros. Puede ser que la identidad dependa de la conexin, ms que de inmersin en un subgrupo.

ENFOQUES DE ARRIBA-ABAJO
Los enfoques que hemos examinado comienzan con la dada y examina si este tipo de estructura cohesiva se puede extender hacia afuera. La estructura total de la red es vista como emergiendo de yuxtaposiciones y apareamientos de componentes pequeos. Ciertamente, esta es un forma vlida de pensar acerca de estructuras mayores y sus componentes. Se podra preferir, sin embargo, comenzar con la totalidad de la red como su marco de referencia, ms que desde la dada. Enfoques de este tipo tienden a mirar la estructura total e identificar subestructuras como partes que son localmente ms densas que el campo como un todo. En un sentido, este lente ms macro, busca agujeros o vulnerabilidades o puntos dbiles en la estructura general de solidaridad de la red. Los agujeros o puntos dbiles definen lneas de divisin o separacin en el grupo mayor y apuntan a cmo se podra descomponer en sus unidades ms pequeas.

13

Estas descripciones verbales de los lentes hacia arriba y hacia abajo exageran enormemente las diferencias entre los enfoques cuando examinamos las definiciones especficas y los algoritmos concretos que pueden usarse para localizar y estudiar la subestructura. An as, la lgica y algunos de los resultados de los anlisis pueden llevar a perspectivas distintas y usualmente complementarias.

COMPONENTES
Los componentes de un grafo son partes que estn internamente conectadas, pero desconectadas entre los subgrafos. Si un grafo contiene uno o ms nodos aislados, estos actores son componentes. Ms interesantes son aquellos que dividen los grafos en partes separadas, en las que cada una tiene diversos actores que estn recprocamente conectados (no nos importa cun cercanamente ligados estn). En el ejemplo que hemos estado usando, los datos sobre intercambio de informacin de Knoke, hay un slo componente. Esto es, todos los actores estn conectados. ste suele ser a menudo el caso, an en redes relativamente grandes con aparentemente obvias subestructuras. De modo similar a cmo una definicin estricta de clique puede ser demasiado fuerte para capturar el significado conceptual, la nocin fuerte de componente es usualmente muy fuerte para encontrar significativos puntos dbiles, agujeros o subpartes locales densas en un grafo grande. De modo que examinaremos algunos enfoques ms flexibles.

BLOQUES Y PUNTOS DE CORTE

Un enfoque para encontrar estos puntos claves en un diagrama es preguntarse si al ser eliminado un nodo la estructura se dividir en sistemas desconectados. Si existen tales nodos, se llamarn puntos de corte. Y se puede imaginar que tales puntos de corte pueden ser actores particularmente importantes, que actan como intermediarios entro grupos desconectados. Las divisiones que los puntos de corte producen en un grafo se llaman bloques. Podemos encontrar los mximos subgrafos no separables (bloques) en un grafo por medio de ubicar los puntos de corte. Esto es, tratamos de ubicar los nodos que conectan el grafo (si los hay). En los datos que hemos estado examinando hay uno y solo uno, punto de corte, pero no es muy interesante.

14

Se encontraron 2 bloques. BLOCKS: Block 1: EDUC WRO Block 2: COUN COMM EDUC INDU MAYR NEWS UWAY WELF WEST

Notas: Vemos que el grafo se puede descomponer (o es desconectable) en dos bloques. EDUC es el miembro que liga los dos subgrafos separables y es, por lo tanto un punto de corte. Se puede confirmar con un rpido examen del grfico (para estos anlisis, hemos usado los datos dirigidos en vez de los simetrizados).

Aqu vemos que EDUC es el nico punto que al ser eliminado dejara la estructura desconectada (esto es, WRO no podra ser alcanzable por otros actores). En este sentido, resulta que EDUC juega el rol de conectar la que de otra forma sera una organizacin (WRO) aislada de los restantes miembros de la red.

CONJUNTOS LAMBDA Y PUENTES

Un enfoque alternativo es indagar si hay ciertas conexiones que al ser eliminadas, resultaran en una estructura desconectada. Esto es equivalente a preguntarse acerca de si hay ciertas relaciones claves (en contraste a si hay ciertos actores claves). En nuestro ejemplo, la nica relacin que califica como tal es la que hay entre EDUC y WRO. Pero, dado que slo deja afuera a un actor, ms que alterar a toda la red, no es muy interesante. Pero se puede abordar esta cuestin de un modo ms sofisticado. El enfoque del conjunto Lambda ordena cada relacin en la red en trminos de su importancia por medio de la valoracin del flujo entre actores que pasa a travs de cada nexo. Luego identifica el conjunto de actores que, si fuesen desconectados, perturbaran significativamente el flujo entre todos los actores. Las matemticas y el clculo son extremadamente complejos, pero la idea es suficientemente simple. Para nuestros datos, los resultados del conjunto Lambda son:

15

CONJUNTOS LAMBDA HIERARCHICAL LAMBDA SET PARTITIONS U W C E I M C N W W W E O D N A O E E R A L U U D Y M W S O Y F N C U R M S T 1 Lambda 6 8 9 1 3 4 5 2 7 0 ------ - - - - - - - - - 7 . . . . . . XXX . . 3 . . . XXXXXXXXXXXXX 2 . XXXXXXXXXXXXXXXXX 1 XXXXXXXXXXXXXXXXXXX

Notas: Este enfoque identifica a los vnculos #2 al #5 (MAYR a COMM) como los ms importantes del grafo, en el sentido de que transportan una gran cantidad de trfico, y si se eliminasen el grafo se perturbara enormemente. Este resultado se confirma al examinar la imagen 1, donde vemos que la mayora de los actores estn conectados con la mayora de los restantes por va del vnculo que va del #2 al #5. Considerablemente menos crticos son los vnculos entre los actores 2 y 5 con los #1,#3,#4,#7 y #10. De nuevo, la imagen muestra que esas organizaciones son una especie de crculo externo en torno al ncleo. La idea del conjunto Lambda nos ha situado bastante lejos de la idea de componentes estrictos. En vez de enfatizar la descomposicin o separacin de la estructura en componentes desconectados, la idea del conjunto lambda, es ms continua. Enfatiza los puntos en los cuales el tejido de las conexiones es ms vulnerable a la ruptura. De nuevo, no se trata de maneras correctas o errneas de aproximarse a la nocin que las grandes estructuras pueden ser no homogneas y que estn ms expuestas a la divisin y ruptura en algunas localizaciones ms que en otras. Nuestro ltimo enfoque combina la lgica de ambos anteriores.

FACCIONES
En trminos de redes, los actores son equivalentes en la medida que tienen el mismo perfil de relaciones con otros actores. Se sigue que podemos definir particiones de la red sobre la base de agrupar juntos a actores por su similitud en cuanto a con quin estn vinculados. En un extremos, podramos tener un grafo que fuese divisible en componentes y que cada componente es un clique (esto es, en un grupo, todos estn vinculados con todos; entre grupos no hay lazos). Algunas divisiones menos estrictas permitiran que hubiese algunos vnculos entre grupos y una densidad no completa dentro de los grupos. 16

Usando el poder de la computadora es posible buscar particiones de un grafo en subgrafos que maximicen la similaridad de los patrones de conexin de los actores dentro de cada grupo. Tambin es posible evaluar cun buena es la participacin comparndola con el resultado de una particin tpica ideal pura, donde los actores dentro de cada grupo tienen mxima similitud y los actores entre grupos tienen mxima disimilitud de vnculos. El primer paso en este enfoque es tratar de decidir qu nmero de grupos o divisiones proveen una cuadro ms til e interesante de los datos. Probamos con la opcin de 2 a 5 grupos y nos quedamos con 4. La decisin se hizo en relacin a la claridad e interpretabilidad de la particin resultante en la matriz de adyacencia:
FACTIONS Diagonal valid? YES Use geodesics? NO Method: CORRELATION Treat data as: SIMILARITIES Number of factions: 4 Fit: -0.503 Group Assignments: 1: EDUC WRO 2: COUN COMM INDU MAYR NEWS UWAY 3: WELF 4: WEST Grouped Adjacency Matrix 1 6 3 2 4 5 1 7 8 9 0 W E C I M C N U W W ----------------------------| 1 1 | 1 | 1 | | | 1 1 | 1 1 1 1 | | 1 | ----------------------------| 1 | 1 1 1 1 1 1 | 1 | | | | 1 1 1 1 1 | | | | 1 | 1 1 1 1 1 1 | 1 | 1 | | | 1 1 1 1 | 1 | | | | 1 1 1 1 | | | | | 1 1 1 1 1 1 | 1 | | ----------------------------| | 1 1 1 | 1 | | ----------------------------| 1 | 1 1 1 1 | | 1 | -----------------------------

6 WRO 3 EDUC 2 4 5 1 7 8 COMM INDU MAYR COUN NEWS UWAY

9 WELF 10 WEST

Este enfoque se corresponde bien con la nocin intuitiva de que los grupos en el grafo pueden definirse por una combinacin de la densidad local y la presencia de agujeros estructurales entre algunos conjuntos de actores y otros. En este caso, se trata de partes ms fuertes y dbiles del tejido, ms que de agujeros. Dado que hemos usado datos dirigidos para este anlisis, debe notarse que la divisin se basa en quines envan informacin a quien y en quines reciben de quin. La agrupacin {6,3}, por ejemplo, enva informacin a otros grupos, pero est separada de ellos porque los otros grupos no les envan informacin. La imagen no slo identifica facciones

17

actuales o potenciales, sino que nos dice algo acerca de las relaciones entre las facciones, potenciales aliados y enemigos en algunos casos.

RESUMEN DEL CAPTULO SPTIMO

Uno de los aspectos ms interesantes acerca de las estructuras sociales es su subestructura de agrupaciones y cliques. El nmero, tamao y las conexiones entre las subagrupaciones en una red nos dicen mucho acerca de la conducta probable de la red en su conjunto. Cun rpido va a circular algo a travs de los actores de la red? Si es ms probable que los conflictos involucren a mltiples grupos o slo a dos facciones. En qu medida se yuxtaponen los subgrupos y las estructuras sociales? Todos estos aspectos de la estructura de los subgrupos pueden ser muy relevantes para predecir la conducta de la red completa. La ubicacin de los individuos en redes puede tambin ser pensada en trminos de cliques o subgrupos. Algunos individuos pueden actuar como puentes entre grupos, otros como aislados; algunos actores pueden ser cosmopolitas y otros locales, en trminos de sus afiliaciones grupales. Tales variaciones en las formas que los individuos se conectan a grupos o cliques puede tener consecuencias para su comportamiento como individuos. En esta seccin hemos revisado brevemente algunas de las definiciones ms importantes de subgrupos o cliques y hemos examinado los resultados de la aplicaciones de dichas definiciones a los datos. Hemos visto que distintas definiciones de lo que es un clique resultan en imgenes distintas de la misma realidad.

PREGUNTAS DE REPASO
1. Explica el trmino "subgrafo mximo completo". 2. En qu sentido los n-cliques y los N-clans relajan la definicin de clique? 3. Da un ejemplo de situacin en la que el enfoque de N-clique o de N-clan sera ms til que uno de clique estricto. 4. En qu sentido los K-plexes y los K-ncleos relajan la definicin de clique? 5. Da un ejemplo en el que fuese ms til usar K-plex o K-ncleo en vez de un clique estricto. 18

6. Qu es un componente en un grafo? 7. Cmo relaja la definicin estricta de componente la idea de un bloque? 8. Hay algn punto de corte en una red estrella, en una red lineal y una red crculo? 9. Cmo relaja la definicin estricta de componente la idea de conjunto Lambda? 10. Existen puentes en una red estrictamente jerrquica?

PREGUNTAS DE APLICACIN
1. Repasa las lecturas de la primera parte del curso. Qu estudios usaron las ideas de grupos y subestructruras? Qu enfoques usaron, cliques, clans, plexes, etc.? 2. Trata de aplicar la nocin de subestructuras grupales en distintos niveles de

anlisis. Hay subestructuras dentro del grupo de parentesco del cual formas parte? Cmo se divide la poblacin de Riverside en subestructuras? Hay subestructuras en la poblacin de Universidades de los EEUU? Hay naciones en el sistema mundial que estn divididas de alguna forma en subestructuras? 3. Cmo pueden ser afectadas las vidas de personas que estn en puntos de corte por ocupar este tipo de posicin estructural? Piensa en un ejemplo. 4. Elabora un ejemplo de poblacin con subestructuras basado en el mundo real o literario. Cmo podran ser descritas, usando conceptos formales, las subestructruas en un caso del mundo real ... son clanes, facciones, etc?

19

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAPITULO OCTAVO

Robert A. Hanneman. Departamento de Sociologa de la Universidad de California Riverside.

NOTA PREVIA
Este documento esta traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en http://wizard.ucr.edu/~rhannema/networks/text/textindex.html [Consulta: 20-02-02]. Este captulo ha sido traducido por Ainhoa de Federico de la Ra .

CAPTULO VIII. POSICIONES EN LA RED Y ROLES SOCIALES: LA IDEA DE EQUIVALENCIA INTRODUCCIN

Hemos estado examinando algunas de las maneras en que los analistas de redes sociales consideran los datos sobre redes. Comenzamos buscando regularidades en la estructura de conjunto (p.e. conectividad, densidad, etc.) y el grado de inclusin (embeddedness) de un actor (p.e. distancia geodsica, centralidad). Una segunda perspectiva para examinar datos de redes sociales es buscar los subgrafos o grupos de actores ms cercanos entre s que a otros grupos o actores. Por ejemplo examinamos el significado de las cliques, los bloques y los puentes como maneras de concebir y describir cmo los actores en una red pueden ser subdivididos en subgrupos basndonos en sus modos de relacin mutuos. Todo esto, aunque parezca un poco tcnico, es muy fcil de comprender conceptualmente. El nodo central de una red estrella est ms cerca de todos los otros miembros que cualquiera de los dems. Esta es una idea fcil de comprender. Una clique, definida como el mximo subgrafo completo suena difcil, pero de nuevo es un concepto que se entiende. Se trata sencillamente del mayor conjunto de individuos que estn conectados con todos los otros miembros del grupo. De nuevo la idea no es difcil porque es muy concreta: podemos ver y sentir las cliques. Ahora vamos a dirigir nuestra atencin hacia formas algo ms abstractas de comprender los modelos de relaciones entre actores sociales: el anlisis de posiciones. Es importante ser capaz de teorizar sobre las posiciones y analizar los datos en tanto que posiciones puesto que queremos ser capaces de generalizar a propsito de los comportamientos sociales y la estructura social. Es decir, queremos poder afirmar principios que sean vlidos para todos los grupos, todas las organizaciones, todas las sociedades etc. Para ello tenemos que pensar en los actores, no en tanto que individuos nicos (aunque lo sigan siendo), sino como ejemplos de categoras. Como tarea emprica necesitamos ser capaces de agrupar los actores ms similares y de describir lo que los hace similares; y tambin ser capaces de describir lo que los hace similares, en tanto que categora, de los miembros de otras categoras.

El pensamiento sociolgico utiliza categoras abstractas cotidianamente. La clase trabajadora, la clase media, la case superior son algunos de los conjuntos de categoras que prescriben las posiciones sociales. Hombres y Mujeres son realmente etiquetas sobre categoras de personas que son ms similares dentro de la categora que entre categoras -al menos para comprender y predecir algunos aspectos de su comportamiento social. Cuando categoras como estas son utilizadas como parte de teoras sociolgicas, son usadas para describir roles sociales o posiciones sociales tpicas de miembros de la categora. Muchos de los sistemas de categoras usados por los socilogos estn basados en atributos que los actores tienen en comn. Si afirmo que los varones americanoseuropeos de edad entre 45 y 64 aos tienden a tener salarios elevados en los Estados Unidos estoy hablando de un grupo de personas que son similares demogrficamente comparten ciertos atributos (ser varones, tener antepasados europeos, edad biolgica y salario). El anlisis estructural no se interesa particularmente por estos sistemas de categoras (o variables) que se basan en descripciones de atributos individuales similares (algunos analistas estructurales radicales incluso afirman que tales categoras no son en absoluto sociolgicas). Los analistas estructurales intentan definir categoras y variables en trminos de similitud de los modelos de relaciones entre los actores, en lugar de definirlas respecto a los atributos de los actores. Es decir, la definicin de una categora, o rol social o posicin social depende de sus relaciones con otra categora. Los roles sociales y las posiciones, defienden los analistas estructurales, son inherentemente relacionales. Esta idea es bastante abstracta, esperemos que algunos ejemplos permitan aclararla.

QU ES EL ROL SOCIAL MARIDO?

Una manera til de definirlo es como un conjunto de interacciones regulares con un miembro o con miembros de otras categoras sociales: esposa o hijo/a (y probablemente otros). Cada una de estas categoras (p.e. marido, esposa, hijo/a) puede ser definida solamente gracias a regularidades en los modelos de relaciones con otras categoras (hay un cierto nmero de relaciones aqu: monetarias, emocionales, rituales, sexuales). Es decir que la familia y el los roles de parentesco son inherentemente relacionales. Qu es un trabajador? Podramos querer decir una persona que trabaja (lo cual es un atributo compartido prcticamente por todos los seres humanos). Una definicin

ms interesante sociolgicamente sera la de Marx en tanto que persona que vende el control sobre su poder de trabajo a un capitalista. Ntese que el significado de trabajador depende de un capitalista y viceversa. Es la relacin (en este caso, como Marx lo expresara, la relacin de explotacin) entre los ocupantes de los dos roles la que define el significado de los roles. La idea es que, para el analista estructural, los bloques constituyentes de la estructura social son los roles sociales o las posiciones sociales. Estos roles sociales o posiciones son definidos a partir de las regularidades en los modos de relacin entre actores, no a partir de los atributos de los actores mismos. Identificamos y estudiamos los roles sociales y las posiciones a partir del estudio sistemtico de las relaciones entre actores, no a partir de las caractersticas de actores individuales. Elementos que parecen ser atributos individuales tales como la raza (sic.) religin y edad pueden ser concebidas como etiquetas sucedneo para dar cuenta de regularidades en las relaciones. Por ejemplo blanco (en Estados Unidos) como categora social es realmente una manera reductora de referirse a personas que tpicamente tienen formas comunes de relacionarse con miembros de otras categoras: los no blancos. Elementos que en principio aparecen como atributos de los individuos realmente no son ms que maneras de decir que un individuo que pertenece a tal categora tiene ciertos modelos de relaciones caractersticas con miembros de otras categoras.

APROXIMACIONES A LAS POSICIONES EN LA RED Y LOS ROLES

SOCIALES
Puesto que definimos las posiciones o categoras sociales en tanto que las relaciones entre actores, podemos identificar y definir empricamente las posiciones sociales utilizando datos de redes. De manera intuitiva, podramos decir que dos actores ocupan la misma posicin o rol en la medida en que sus relaciones con otros actores son las mismas. Sin embargo en esta definicin intuitiva encontramos un par de cosas molestas. Primero, qu relaciones tenemos en cuenta y entre quin para identificar qu actores son similares y cuales no? Las relaciones que tengo con la Universidad son en cierto modo parecidas a las relaciones que tienen los estudiantes: ambos estamos gobernados por las mismas reglas, prcticas y procedimientos. Las relaciones que tengo con la Universidad son muy distintas de las de los estudiantes en ciertos aspectos (p.e. la Universidad me paga y los estudiantes pagan a la universidad). Qu 5

relaciones deberan contar y cuales no al intentar describir los roles de profesor y de estudiante? Incluso por qu examinar las relaciones entre estudiantes y profesores y la universidad en lugar de incluir, por ejemplo, miembros de la legislacin del estado? No existe una respuesta sencilla sobre cules son las relaciones correctas que hay que examinar y no hay una respuesta sencilla sobre quines constituyen el conjunto de actores relevantes. Todo depende del objetivo de la investigacin, de la perspectiva terica utilizada y de las poblaciones a las que queramos generalizar nuestros descubrimientos. El segundo problema de nuestra definicin intuitiva de un rol o posicin es el siguiente: asumiendo que haya delimitado un conjunto de actores y un conjunto de relaciones que tengan sentido para estudiar una cuestin particular, qu quiere decir que los actores que comparten las mismas posiciones son similares en sus modelos de relacin? La idea de similitud ha de ser definida de manera precisa. De nuevo no hay una respuesta nica y correcta para todos los objetivos de investigacin. Pero existen sin embargo maneras rigurosas de pensar en lo que quiere decir similar y maneras sistemticas de examinar los datos para definir roles sociales y posiciones sociales empricamente. Estos son los temas a los que dedicaremos el resto de esta seccin.

DEFINIR LA EQUIVALENCIA O SIMILITUD

Qu queremos decir cuando decimos que dos actores tienen modelos similares de relacin y que por lo tanto ambos son miembros de un mismo rol social o posicin? Existen al menos tres maneras de entender la similitud. Algunos analistas han llamado estos tipos de similitud equivalencia estructural, equivalencia automrfica y equivalencia regular. Los tres tipos de similitud difieren en sus grados de abstraccin, siendo la equivalencia estructural la ms concreta y la equivalencia regular la ms abstracta. Sigue a continuacin una breve descripcin de los distintos conceptos de equivalencia. Los estudiaremos en ms detalle en los siguientes tres captulos. Para ilustrar la presente exposicin utilizaremos un ejemplo de red. Hemos tomado la imagen de una estructura jerrquica simple de Wasserman y Faust porque es muy til para la ilustracin.

EQUIVALENCIA ESTRUCTURAL
Se dice que dos nodos son exactamente equivalentes estructuralmente si tienen estrictamente las mismas relaciones con todos los otros actores. La equivalencia estructural es fcil de entender (aunque se puede operacionalizar de distintas maneras) porque es muy concreta. Dos actores son equivalentes en la medida en que tengan las mismas relaciones con todos los otros actores. Si a A le gusta B y a C le gusta B, A y C son estructuralmente equivalentes (ntese que el hecho de que a A le guste C y viceversa no tiene importancia porque A y C tienen un patrn idntico de relaciones). Si dos nodos son exactamente equivalentes estructuralmente, tambin sern equivalentes automrficamente y regularmente. Esto es as porque la equivalencia estructural realmente significa lo mismo que idntico o sustituible. Borgatti et al. se refieren a la equivalencia estructural como equivalencia de localizacin en una red. Puesto que la equivalencia estructural estricta es poco frecuente, en especial en redes grandes, a menudo los investigadores se interesan por el grado de equivalencia estructural ms que por la presencia o ausencia de la equivalencia estructural estricta.

EQUIVALENCIA AUTOMRFICA
Dos actores son equivalentes automrficamente si existe un re-etiquetado posible de actores sin que cambie ninguna de las propiedades del grafo. La equivalencia automrfica implica conjuntos de actores ms que actores individuales. La equivalencia automrfica se pregunta si se pueden localizar subgrafos o subconjuntos de actores estructuralmente idnticos, es decir que puedan ser intercambiados entre s sin alterar las distancias en el grafo. Si los actores son exactamente equivalentes estructuralmente es decir, estn conectados del mismo modo con los mismos actores- tambin son equivalentes automrficamente. Es decir, podran ser intercambiados y ninguna de las propiedades 7

del diagrama se modificara. Automorfismos ms interesantes incluyen conjuntos de actores que pueden intercambiarse entre si. Piense en tres McDonalds posedos por el mismo propietario de la franquicia. Imagine nuestro grafo de ms arriba con el propietario (A) de los tres restaurantes, cada uno con un directivo (B, C y D) y cada uno con uno o ms trabajadores. Cada restaurante tiene un directivo particular, trabajadores particulares y clientes particulares. Los trabajadores en los tres restaurantes no tienen relaciones estructuralmente equivalentes. Es decir, Edna (trabajadora en el 1 restaurante) no puede ser intercambiada por Inge (del 3 restaurante) sin perturbar los lazos con otros actores y las distancias entre ellos. Pero si re-etiquetamos el restaurante A como B y el restaurante B como A, no ha cambiado nada. Si cambiamos el conjunto de actores B, E, F por el conjunto de actores D, H, I, todas las distancias entre todos los actores son preservadas. Este cambio es una intercambio automrfico. La razn por la que estos conjuntos son importantes es que las estructuras sociales (en especial las que son grandes y complicadas) a menudo tienen subconjuntos de actores, o estructuras locales que son equivalentes funcionalmente o rplicas las unas de las otras. Tales similitudes son muy tiles para tratar de comprender cmo grandes conjuntos de humanos se organizan. Nos permiten dirigir la atencin hacia los modelos comunes de relaciones sociales en lugar de ver cada estructura social como nica.

EQUIVALENCIA REGULAR
Se dice que dos nodos son equivalentes regularmente si tienen el mismo perfil de lazos con miembros de otros conjuntos de actores que tambin son equivalentes regularmente. Esta es una manera complicada de decir algo que reconocemos intuitivamente. Dos madres, por ejemplo, son equivalentes, porque cada una tiene un cierto modelo de relaciones con un marido, hijos, parientes polticos (por ejemplo, aunque stas sean muy relativas culturalmente). Dos madres (habitualmente en nuestra sociedad) no tienen relaciones con el mismo marido o con los mismos hijos o parientes polticos. Es decir, no son estructuralmente equivalentes. Pero son similares porque tienen el mismo tipo de relaciones con algn miembro o miembros de otro conjunto de actores (quienes son igualmente considerados como equivalentes por su similitud de relaciones con miembros del conjunto madre). Este es un concepto obvio pero crucial. Los actores equivalentes regularmente no ocupan necesariamente las

mismas posiciones respecto a otros actores individuales, ms bien tienen los mismos tipos de relaciones con algunos miembros de otros grupos de actores. Los actores que son equivalentes estructuralmente son necesariamente equivalentes regularmente. Los actores equivalentes regularmente no son necesariamente estructuralmente equivalentes. La equivalencia estructural es ms fcil de examinar empricamente porque concierne actores individuales especficos; la equivalencia regular es ms difcil de examinar empricamente porque es necesario desarrollar categoras abstractas de actores en relacin con otras categoras abstractas.

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAPTULO NOVENO

Robert A. Hanneman. Departamento de Sociologa de la Universidad de California Riverside.

NOTA PREVIA
Este documento esta traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en http://wizard.ucr.edu/~rhannema/networks/text/textindex.html [Consulta: 20-02-02]. Estos captulos han sido traducidos por Ren Ros, Departamento de Sociologa de la Universidad Catlica de Chile.

CAPTULO IX.

MEDICIONES DE SIMILARIDAD Y

EQUIVALENCIA ESTRUCTURAL INTRODUCCIN

En esta seccin vamos a examinar algunas de las maneras en que podemos definir y medir empricamente el grado de equivalencia estructural o la similaridad entre actores en razn de su posicin en la red. En seguida vamos a examinar algunos de los posibles enfoques para analizar los patrones de equivalencia estructural basados en las medidas de similitud. Recordemos que la equivalencia estructural significa que los actores son sustituibles. Esto es que los actores tienen un mismo patrn de relacin con todos los otros. La equivalencia estructural exacta es rara en la mayora de las estructuras sociales (como ejercicio, traten de imaginar como sera una estructura social en la que la mayora de los actores fueren sustituibles por los dems). En consecuencia, a menudo calculamos medidas del grado en el que los actores son similares, y las usamos como base para identificar conjuntos de actores que son muy similares entre si y distintos de otros actores en otros conjuntos. Para propsitos de ilustracin, vamos a analizar los datos sobre envo y recepcin de informacin entre burocracias de Knoke. Estos datos muestras vnculos dirigidos y estn medidos a nivel nominal, esto es binario.

Este es un anlisis bastante restringido, y no debe ser tomado muy en serio. Pero los datos son tiles para entregar una ilustracin de los principales enfoques para medir la equivalencia estructural y para identificar actores que tienen similares posiciones reticulares.

MEDICIONES DE SIMILITUD ESTRUCTURAL

Podemos intentar establecer intuitivamente qu nodos son ms similares entre s con otros nodos mirando el diagrama. Notamos algunas cosas importantes. Parece ser que los actores #2, #5 y #7 pueden ser estructuralmente similares en tanto tienen lazos recprocos y casi con todos los dems. Los actores #6, #8 y #10 son regularmente similares por que estn relativamente aislados, pero no son estructuralmente similares porque estn conectados a conjuntos distintos de actores. Ms all de esto, sin embargo, es realmente bastante difcil establecer la similitud estructural rigurosamente por medio de la inspeccin del diagrama. Podemos ser ms precisos si usamos la representacin matricial. Esto adems nos permite usar el computador para realizar el tediosos trabajo involucrado en el clculo de ndices para establecer la similitud. Se reproduce la matriz original de datos ms abajo. Muchos de los rasgos que aparecan en el diagrama son tambin fcilmente captables en la matriz. si miramos en las filas y contamos los grados de salida y si examinamos las columnas y contamos los grados de entrada podemos ver quienes son actores centrales y quienes aislados. Pero, de manera ms general, podemos ver que dos actores son estructuralmente equivalentes en la medida que su perfil de puntajes en sus filas y columnas son similares.

Se dice que dos actores son estructuralmente equivalentes si tienen similares patrones de vnculos con otros actores. Esto significa que las entradas en las filas y columnas de cada actor son idnticas entre s. Si la matriz fuese simtrica, slo necesitaramos examinar pares de filas o columnas. Pero como estos datos son lazos dirigidos, debemos examinar la similaridad de los vnculos de emisin y de recepcin (por supuesto, podemos estar interesados en la equivalencia estructural de slo los lazos emisores o de los receptores). cada actor como columna, as: Podemos ver la similitud de los actores si expandimos la matriz listando un vector de fila seguido de un vector de columna de

Para ser estructuralmente equivalentes, dos actores deben tener los mismos vnculos con los mismos otros actores - esto es, que las entradas en sus columnas deben ser idnticas (con la excepcin de los autovnculos, que probablemente ignoraramos en la mayora de los casos). Habiendo organizado los datos de esta manera, hay algunos aspectos bastantes obvios que podramos hacer para proveer un ndice que resuma cun cercano a la equivalencia estructural est cada par de actores. Con algo de imaginacin se puede llegar a otras ideas, pero los cuatro enfoques ms comunes para indexar la equivalencia estructural son la correlacin, las distancias euclidianas 6

cuadradas, matches (aciertos) y aciertos positivos. Ms abajo, cada uno de estos resultados se muestra como una matriz de similitud o distancia.

COEFICIENTES DE CORRELACIN PEARSON.

La medida de similitud por correlacin es particularmente til cuando los datos de los lazos estn valorados, esto es contienen informacin acerca de la fortaleza del vnculo y no slo de su presencia o ausencia. Las correlaciones Pearson van entre -1.00 (que significa que dos actores tiene exactamente los mismo lazos opuestos entre s), a travs de cero (que implica que el conocimiento de los vnculos de un actor a un tercero no nos ayuda a estimar los lazos de otro actor con ese tercero) a +1 (implicando que los dos actores tienen exactamente el mismo par de vnculos con otros, una equivalencia estructural perfecta). Las correlaciones Pearson se usan a menudo para sumarizar equivalencia estructural pareada, porque el estadstico "r" se usa frecuentemente en estadstica social. Si los datos no son verdaderamente nominales o si la densidad es muy alta o muy baja, las correlaciones pueden ser problemticas y deberan examinarse los aciertos. Diferentes estadsticos usualmente entregan las mismas respuestas. A continuacin se presentan las correlaciones Pearson entre los vectores concatenados de filas y columnas calculados con UCINET.
1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ----- ----- ----- ----- ----- ----- ----- ----- ----- ----1 1.00 2 0.42 1.00 3 0.10 -0.48 1.00 4 0.50 0.42 0.13 1.00 5 0.33 0.79 -0.38 0.33 1.00 6 -0.07 0.15 0.00 -0.07 0.00 1.00 7 0.40 0.29 0.22 0.42 0.10 -0.37 1.00 8 0.63 0.37 0.26 0.63 0.29 -0.00 0.05 1.00 9 0.63 0.04 0.26 0.38 -0.10 -0.10 0.59 0.49 1.00 10 0.26 0.29 0.40 0.52 0.25 0.36 -0.03 0.38 0.13 1.00

Nota: Slo se necesita la mitad de la matriz, dado que la similaridad XY es la misma que la YX. Hay un rango amplio de similaridades en la matriz. Los actores 2 y 5 son los ms similares (r=.79); los actores 3 y 5, los ms disimilares (r=-.38). La mayora de los nmeros son positivos, y muchos son sustanciales. resultado de ellas. Este resultado es consistente con la relativamente alta densidad y reciprocidad en estos datos, y es un Cuando las densidades son muy bajas, y los lazos no son recprocos, las correlaciones pueden ser muy pequeas. 7

Una manera de llegar a una sntesis an ms clara se obtiene al realizar un anlisis de aglomerados (cluster) de la matriz de similitud. Lo que ste hace es agrupar juntos a los nodos que son ms similares primero, en este caso los actores 2 y 5. Tomando los puntajes de cada conglomerado (cluster) que estn ms cerca de alguno de los otros conglomerados (mtodo de vnculo nico o vecino ms cercano), se recalculan las similitudes, y en seguida se agrega el siguiente par ms similar (podra ser otro par de actores, o el par 2 y 5 con algn otro actor). Este proceso contina hasta que todos los actores estn unidos. A continuacin se presenta un sumario de la matrz de similitud o proximidad, generado por un anlisis de aglomeracin de vnculo nico.
HIERARCHICAL CLUSTERING OF CORRELATION MATRIX 1 Level 5 2 4 1 8 7 9 6 3 0 ----- - - - - - - - - - 0.787 XXX . . . . . . . . 0.630 XXX . XXX . . . . . 0.595 XXX . XXX XXX . . . 0.587 XXX XXXXX XXX . . . 0.409 XXX XXXXXXXXX . . . 0.405 XXX XXXXXXXXX . XXX 0.242 XXX XXXXXXXXX XXXXX 0.140 XXXXXXXXXXXXX XXXXX 0.101 XXXXXXXXXXXXXXXXXXX

Notas: El resultado establece que los actores #5 y #2 son ms similares (a nivel de .787 usando el mtodo particular de aglomeracin escogido). Este par permanece separado de todos los dems hasta bien avanzado el proceso de aglomeracin. El siguiente par ms similar es el constituido por el actor #1 y el #8 (a .630); luego el par #7, #9 (a .595). A una similaridad de .587 un grupo ms grande es creado, compuesto por los actores #4, #1 y #8; el proceso contina hasta que todos los actores se aglomeran. Notar que los actores #6, #3 y #10 se aglomeran en un grupo suelto, y estn bastante distante de los restantes actores. Cuntos grupos de nodos estructuralmente equivalentes hay en esta red? No hay una respuesta correcta. La teora puede llevar a predecir que los flujos de informacin siempre producen tres grupos; o que los grupos siempre se dividen en dos facciones, etc. Si tenemos una teora acerca de cuantos conjuntos de actores estructuralmente equivalentes debiera haber, podemos evaluar su bondad de ajuste con los datos. Ms a menudo, no tenemos una teora muy fuerte acerca de cuntos conjuntos de actores estructuralmente equivalentes podran haber. En este caso, los resultados proveen algunas guas.

Nota que en un alto nivel de similaridad (.787), los diez actores se dividen en 9 grupos (5 y 2, y cada uno de los dems). Si permitimos que los miembros de los grupos sigan siendo equivalentes, an si son similares slo a nivel .60 (.585), podemos llegar a un cuadro bastante distinto: hay 6 grupos entre los diez actores. Si bajamos al nivel .40 de similitud, hay tres grupos con un excluido (el casi aislado WRO, # 6). Podramos dibujar un diagrama del nmero de grupos (en el eje Y) contra el grado de similaridad al aglomerar (en el eje X). Este diagrama es uno del tipo de retornos marginales (llamado en anlisis factorial un Plot Screen). su punto de inflexin es el ms eficiente nmero de grupos. Ms usualmente, uno busca una imagen del nmero de grupos estructuralmente equivalentes que es suficientemente simple de comprender, a la vez que sea suficientemente fuerte estadsticamente (con una relativamente alta similitud) para ser defendible. El coeficiente de correlacin Pearson, da considerable ponderacin o peso a las diferencias ms grandes entre puntajes particulares del perfil de actores, por la forma de clculo, que eleva al cuadrado la diferencia entre puntajes entre vectores. Esto lo hace sensible a los valores extremos (en datos valorados) y a algunos errores. La correlacin tambin mide la asociacin lineal, y en algunos casos sta puede ser una nocin restrictiva.

DISTANCIAS EUCLIDIANAS
Una medida relacionada pero menos sensibles es la distancia Euclidiana. Esta es una medida de dis-similitud, pues es la raz de la suma de las diferencias al cuadrado entre los vectores de los actores, es decir, las columnas de la matriz de adyacencia. En muchos casos, los anlisis de distancias euclidianas y de correlacin pearson arrojan el mismo resultados sustantivo. No obstante es una prctica recomendable analizar ambas. He aqu los resultados basados en las distancias euclidianas.

EUCLIDEAN DISTANCE MATRIX 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ---- ---- ---- ---- ---- ---- ---- ---- ---- ---1 0.00 2 2.45 0.00 3 2.65 3.32 0.00 4 2.00 2.45 2.65 0.00 5 2.65 1.00 3.16 2.65 0.00 6 3.00 3.32 2.83 3.00 3.46 0.00 7 2.24 2.24 2.45 2.24 2.45 3.46 0.00 8 1.73 2.65 2.45 1.73 2.83 2.83 2.83 0.00 9 1.73 3.00 2.45 2.24 3.16 2.83 2.00 2.00 0.00 10 2.45 2.83 2.24 2.00 3.00 2.24 3.00 2.24 2.65 0.00

Nota: El patrn es bastante similar. Los actores 2 y 5 que tienen la correlacin ms fuerte (una medida de similaridad) tienen la menor distancia (una medida de dissimilaridad). A diferencia del coeficiente de correlacin, el tamao de la distancia euclidiana no puede interpretarte. Todas las distancias sern positivas (o al menos no negativas), y las ideas de asociacin positiva, no asociacin o asociacin negativa, que tenemos con el coeficiente de Pearson, no se pueden usar con las distancias. Noten que el rango de los valores de las distancias euclidianas es relativamente menor que el de las correlaciones que vimos anteriormente. La distancia mayor no es a la menor tantas veces como la correlacin mayor es a la menor. Esto resulta de la manera que se calculan, dando menos ponderacin o peso a los casos extremos.
AGLOMERACIN JERRQUICA DE LA MATRIZ DE DISTANCIAS EUCLIDIANAS Level 5 2 7 4 1 8 9 6 3 0 ----- - - - - - - - - - 1.000 XXX . . . . . . . . 1.732 XXX . . XXX . . . . 1.821 XXX . XXXXX . . . . 1.992 XXX . XXXXXXX . . . 2.228 XXX XXXXXXXXX . . . 2.236 XXX XXXXXXXXX . XXX 2.434 XXX XXXXXXXXX XXXXX 2.641 XXX XXXXXXXXXXXXXXX 3.014 XXXXXXXXXXXXXXXXXXX

Nota: En este caso, el anlisis de las distancias euclidianas dan exactamente la misma impresin acerca de cules conjuntos son ms equivalentes. Es habitualmente lo que se obtiene con datos binarios. Con datos valorados, los resultados pueden ser distintos entre correlaciones y distancias. La representacin grfica del anlisis de conglomerados claramente sugiere tres agrupaciones de casos ( {2,5}, {7,4,1,8,9}, {6,3,10}). Tambin sugiere, de nuevo, que nuestros actores nucleares [5,2] tienen un alto grado de equivalencia estructural - y son ms sustituibles entre s. 10

PORCENTAJE DE COINCIDENCIA EXACTA

En algunos casos los vnculos que examinamos pueden estar medidos al nivel nominal. Cada par de actores puede tener una relacin de uno de diversos tipos (codificados como "a", "b" "c" o "1", "2", "3"). Aplicar distancias euclidianas o correlaciones a ese tipo de datos puede ser errneo. En vez, estamos interesados en el grado en el cual una relacin para el actor X es una coincidencia exacta con la correspondiente relacin del actor Y. Con datos binarios, el porcentajes de coincidencia exacta pregunta a travs de todos los actores para los que podemos hacer comparaciones, qu porcentaje de las veces X e Y tienen la misma relacin con otro actor? Esta es una medida de equivalencia estructural para datos binarios dado que coincide mucho con nuestra nocin del significado de la equivalencia estructural.
PORCENTAJE DE COINCIDENCIA EXACTA 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ----- ----- ----- ----- ----- ----- ----- ----- ----- ----1 1.00 2 0.63 1.00 3 0.56 0.31 1.00 4 0.75 0.63 0.56 1.00 5 0.56 0.94 0.38 0.56 1.00 6 0.44 0.31 0.50 0.44 0.25 1.00 7 0.69 0.69 0.63 0.69 0.63 0.25 1.00 8 0.81 0.56 0.63 0.81 0.50 0.50 0.50 1.00 9 0.81 0.44 0.63 0.69 0.38 0.50 0.75 0.75 1.00 10 0.63 0.50 0.69 0.75 0.44 0.69 0.44 0.69 0.56 1.00

Nota: Estos resultados muestran la similitud de otra manera pero que es bastante fcil de interpretar. El nmero .63 en la celda 2,1 significa que, comparando al actor #! con el #2, tienen el mismo vnculo (presente o ausente) a otros actore el 63% de las veces. La medida es particularmente til con medidas nominales multi-categoriales de relaciones; tambin provee una escala para datos binarios.

11

AGLOMERACION JERARQUICA DE LA MATRIZ DE COINCIDENCIA EXACTA. 1 Level 5 2 4 1 8 7 9 6 3 0 ----- - - - - - - - - - 0.938 XXX . . . . . . . . 0.813 XXX . XXX . . . . . 0.792 XXX XXXXX . . . . . 0.750 XXX XXXXX XXX . . . 0.698 XXX XXXXXXXXX . . . 0.688 XXX XXXXXXXXX . XXX 0.625 XXX XXXXXXXXX XXXXX 0.554 XXX XXXXXXXXXXXXXXX 0.432 XXXXXXXXXXXXXXXXXXX

Notas: En este caso, el resultado que se obtiene usando coincidencias es bastante similar al de correlaciones y distancias, como suelen serlo en la prctica. dems actroes. La aglomeracin si sugiere que el conjunto [2,5] es bastante diferente al de todos los Las correlaciones y distancias euclidianas tendan a enfatizar la diferencia del conjunto [6,3,10] y a aminorar la particularidad nica de [2,5].

COEFICIENTES DE JACCARD
En algunas redes las conexiones son bastante escasas. tener muy baja densidad. En efecto, si se estn

investigando relaciones de tipo personal en organizaciones grandes, los datos pueden Donde la densidad es muy baja, las medidas de coincidencias, correlaciones y distancias puden mostrar escasa variacin entre los actores y pueden dificultar el discernimiento de los conjuntos de equivalentes estructurales (por supuesto, en redes muy grandes, con baja densidad, puede haber en realidad muy bajos niveles de equivalencia estructural). Un enfoque para resolver este problema consiste en calcular el nmero de veces que ambos actores reportan una relacin (del mismo tipo de vnculo) a los mismos terceros actores como un porcentaje del nmero total de vnculos reportados. Esto es, ignoramos los casos en que ni X o Y estn ligados a Z, e inquirimos, qu porcentaje en comn tienen en relacin a la totalidad de vnculos presente. Esta medida se llama porcentaje de coincidencias positivas (por UCINET), o el coeficiente Jaccard (en SPSS). He aqu el resultado obtenido de los datos:

12

Percent of Positive Matches (Jaccard coefficients) 1 2 3 4 5 6 7 8 9 10 COUN COMM EDUC INDU MAYR WRO NEWS UWAY WELF WEST ----- ----- ----- ----- ----- ----- ----- ----- ----- ----1 1.00 2 0.54 1.00 3 0.46 0.31 1.00 4 0.60 0.54 0.42 1.00 5 0.50 0.93 0.38 0.50 1.00 6 0.18 0.27 0.11 0.18 0.25 1.00 7 0.58 0.64 0.54 0.55 0.60 0.08 1.00 8 0.67 0.46 0.50 0.67 0.43 0.20 0.38 1.00 9 0.67 0.36 0.50 0.55 0.33 0.11 0.64 0.56 1.00 10 0.40 0.43 0.44 0.60 0.36 0.38 0.31 0.50 0.36 1.00 HIERARCHICAL CLUSTERING OF JACCARD COEFFICIENT MATRIX 1 Level 6 2 5 3 4 1 8 7 9 0 ----- - - - - - - - - - 0.929 . XXX . . . . . . . 0.667 . XXX . . XXX . . . 0.644 . XXX . XXXXX . . . 0.636 . XXX . XXXXX XXX . 0.545 . XXX . XXXXXXXXX . 0.497 . XXX XXXXXXXXXXX . 0.435 . XXXXXXXXXXXXXXX . 0.403 . XXXXXXXXXXXXXXXXX 0.272 XXXXXXXXXXXXXXXXXXX

Nota: De nuevo el cuadro bsico emerge, sugiriendo que no importa mucho qu estadstico se usa para indexar la similaridad estructural entre un par de actores - al menos para obtener el cuadro general. La aglomeracin de estas distancias esta vez, enfatiza la singularidad del actor # 6, el cual es an ms singular por esta medicin debido al nmero relativamente pequeo del total de relaciones que tiene, que resulta en un nivel de similitud an menor debido a que se ignora la ausencia de lazos conjuntos. Cuando los datos son ralos, y hay muy sustanciales diferencias en los grados de los puntos, es una buena opcin para datos nominales o binarios, usar el coeficiente de coincidencia positiva. Con algo de inventiva, se puede pensar en algunas otras formas de indexar el grado de similitud estructural entre actores. discusin de ellas. Se puede usar la rutina "proximities" de SPSS, que ofrece una coleccin grande de medidas de similitud, junto con una buena La eleccin de la medida debe estar orientada por la nocin A menudo, con franqueza, hace poca conceptual de qu es lo importante acerca de la similaridad de dos perfiles de relacin para los propsitos del anlisis particular. diferencia, pero esto no es suficiente para ignorar la cuestin.

13

DESCRIPCIN DE CONJUNTOS DE EQUIVALENCIA

ESTRUCTURAL:

MODELOS E IMGENES DE BLOQUES

Los enfoques que hemos examinado hasta ahora procuran proveer sumarios de cun similares o distintos son un par de actores usando la vara de la equivalencia estructural. Estas matrices de similitud o proximidad (y a veces, de su opuesto, descripcin de parejas de estos aspectos de distancia), proveen una completa

posiciones en las redes. Pero es difcil ver el bosque por medio de los rboles, las matrices de distancia y similitud a veces son tan grandes y densas como las matrices de adyacencia o de vnculos de las que se derivan. Un enfoque muy til para obtener el cuadro general consiste en aplicar el anlisis de conglomerados para intentar discernir cuantos conjuntos de equivalencia estructural hay, y cules actores estn en cada conjunto. Vimos antes varios ejemplos acerca de cmo se puede usar el anlisis de conglomerados para presentar cuadros ms simples y sintticos de patrones de similitud o disimilaridad de la posicin estructural de actores. El anlisis de conglomerados est fuertemente afincado en Tambin asume la unidimensionalidad comparaciones de pares y jerrquicas.

subyacente en los datos de similitud. A menudo es til considerar otros enfoques que tienen distintos sesgos. Uno de ellos es el escalamiento multidimensional, que no ser discutido aqu, ya que raramente se usa para analizar datos de equivalencia estructural. Examinaremos tres enfoques ms comunes: CONCOR, anlisis de componentes principales y bsqueda de tab. La matriz de similitud y el anlisis de conglomerados no dicen cules son las similitudes que hacen que los actores de un conjunto sean similares y cules diferencias hacen que los actores en un conjunto sean distintos a los actores en otro. Para comprender las bases de similitud y diferencias entre actores estructuralmente equivalente es pertinente el enfoque del modelo de bloques y la matriz de imagen que se basa en l. Ambas ideas se han explicado antes. Vamos a mirar ahora como nos pueden ayudar a entender los resultados del CONCOR y de la bsqueda de tab.

14

CONCOR
Este es un enfoque que se ha usado hace tiempo. significativos. Aunque su algoritmo se ve Cada fila de esta

actualmente como algo peculiar, la tcnica generalmente produce resultados Comienza correlacionando cada par de actores. matriz de correlacin actor por actor, se extrae y se correlaciona con cada una de las otras filas. En un sentido, el enfoque es equivalente a preguntarse cun similiar es el vector de similitudes del actor X con el vector de similitudes del actor Y? El proceso se reitera una y otra vez. Eventualmente los elementos de la matriz de correlacin iterada converge en un valor de +1 o -1. CONCOR entonces divido los datos en dos conjuntos sobre la base de esas correlaciones. Luego, en cada conjunto (si tienen ms de dos actores) el proceso se repite. Contina hasta que todos los actores son separados (o hasta que perdemos inters en el proceso). El resultado en un rbol binario que da lugar a la particin final. Para ilustrarlo pedimos a CONCOR nos muestre los grupos que mejor satisfacen esta propiedad cuando creemos que hay cuatro grupos. Todos los algoritmos de bloques requieren que tengamos una idea a priori acerca de cuantos grupos hay. Matriz de bloques

15

Nota: La matriz de bloques ha reagrupado las filas y columnas (e insertado lneas divisorias o "particiones") para intentar poner juntos a los actores que tienen filas y columnas similares (dada la restriccin de forzar en cuatro grupos). La matriz de bloques nos permite ver las similitudes que tienen los cuatro grupos (y tambin que las agrupaciones no son perfectas). El primer grupo [1,4,8,9] no presenta un perfil consistente de envo y recepcin de informacin entre sus integrantes, no son un clique. La relacin de este grupo [1,4,8,9] con el prximo [7,3] es interesante. Todos los actores del primer grupo envan informacin al 7 pero no a 3. Solamente un actor del primer grupo recibe informacin de [7,3] y lo hace de ambos integrantes. Cada miembro del grupo [1,4,8,9] enva y recibe informacin de ambos miembros de [5,2]. Finalmente el conjunto [1,4,8,9] es similar pues no envan ni reciben informacin de [6,10]. Los actores 5 y 2 tienen perfiles casi idnticos de la comunicacin recproca con todos los miembros de cualquier otro grupo, con la excepcin de [6,10]. Por ltimo [6,10] est aislado, pero enva a ambos [7,3]; y comparten el hecho de que slo [3] les reciproca. El diagrama de bloques permite ver con bastante claridad qu actores son estructuralmente equivalentes, y , ms importante, qu de los patrones de sus relaciones define la similitud. En algunos casos desearamos sintetizar la informacin an mas, creando una imagen del diagrama de bloques. Para ello, combinamos elementos de las filas y columnas en grupos y caracterizamos las relaciones en la matriz como presente si despliegan una densidad mayor a la promedio (recordemos que en esta matriz la densidad general es .50). Si menos lazos estn presente, se introduce un cero. La imagen de los bloques es:

Nota:

Esta "imagen" del diagrama de bloques tiene la virtud de una simplicidad

extrema, aunque una buena cantidad de informacin acerca de las relaciones entre actores se ha perdido. Dice que los actores en el bloque 1 tienden a no enviar y recibir recprocamente o con el bloque 4; tienden a enviar informacin a los bloques 2

16

y 3 pero reciben informacin slo del 3. El segundo bloque de actores aparecen como receptores. Envan slo al bloque 3, pero reciben informacin de cada uno de los otros grupos. El tercer bloque enva y recibe con los bloques 1 y 2, pero no con el 4. Finalmente, tal como antes, los actores del bloque 4 envan a los actores del bloque 2 pero no reciben informacin de ninguno de los otros bloques. Se puede avanzar un paso ms en la simplificacin. representar los resultados de la siguiente forma: Usando los conjuntos

seccionados como nodos, y la imagen como un conjunto de adyacencias, podemos

Comentario:

Este grfico ms simplificado sugiere la marginalidad de 4, la

reciprocidad y centralidad de las relaciones de 3 y la asimetra entre 1 y 2. Hemos presentado los resultados de CONCOR en detalle para ilustrar la utilidad de permutar y generar bloques, calcular la imagen y graficar el resultado. CONCOR puede generar resultados peculiares que no son reproducidos por otros mtodos. Si se usa CONCOR, es recomendables comparar sus resultados con otros algoritmos, una de esos mtodos de comparacin es la bsqueda tab (que a su vez genera resultados peculiares que deben ser comparados). La bondad de ajuste de un modelo de bloques se puede evaluar correlacionando la matriz permutada (el modelo de bloques) contra un modelo perfecto con los mismos bloques, esto es, uno en el que todos los elementos de un bloque son unos y todos los elementos de bloques cero son cero. Para un modelo CONCOR de dos divisiones (cuatro grupos) el r cuadrado (r 2) es .50, es decir, la mitad de la varianza en los lazos del model CONCOR se pueden explicar por un modelo estructural de bloques perfecto. Lo que puede ser considerado como aceptables aunque no sea una bondad muy buena ya que no hay criterios acerca de qu es una adecuada bondad de ajuste.

17

BSQUEDA DE TAB
Este mtodo ha sido desarrollado recientemente y se basa en el uso intensivo de la computacin. Usa un algoritmo ms moderno y computacionalmente intensivo que el CONCOR, para tratar de implementar la misma idea de agrupar juntos a actores que son casi similares en un bloque. Lo hace buscando conjuntos de actores que, si se ponen en un bloque, producen la suma menor de varianzas de los perfiles de relacin, dentro de los bloques. Si dos actores tienen relaciones similares las varianzas De modo que la particin que respecto al promedio del bloque ser pequea. general de los perfiles de relacin.

minimiza la suma de varianzas dentro de los bloques, est minimizando la varianza En principio, este mtodo debera producir resultados similares (pero no necesariamente idnticos) que CONCOR. En la prctica no siempre es as. A continuacin se presentan los resultados de este mtodo con una especificacin de 3 grupos. Matriz de Bloques Adyacentes

Comentario: Los bloques producidos son similares al resultado con CONCOR.

Un

conjunto de actores [1,4,8,9] es idntico. El bloque CONCOR [7,3] se divide en los nuevos resultados, con el actor 7 agrupado con [5,2] y el actor 3 con el [6,10]. Examinando la matriz permutada y de bloques adyacentes, se puede ver que regiones 18

amplias de la matriz tienen ahora varianza mnima - las entradas en las celdas son las mismas. Esto es lo que el modelo de bloques intenta hacer: producir regiones lo ms grande posibles, con homogeneidad de puntajes. Podemos interpretar directamente los resultados o producir una imagen de bloques:

Comentario: Esta imagen sugiere que dos de los tres bloques es algo ms solidario, en tanto que sus miembros envan y reciben informacin entre ellos (bloques 1 y 2). Los actores en el bloque 3 son similares por cuanto no intercambian informacin entre ellos directamente. Lo que estamos viendo es una especie de jerarqua entre bloques 1 y 2, con el bloque 3 ms aislado. Estos patrones se pueden representar en un grfico.

La bondad de ajuste de un modelo de bloques puede ser evaluado correlacionando la matriz permutada (el modelo de bloques) contra un modelo perfecto con los mismos bloques (uno en el que todos los elementos de un bloque son unos y todos los elementos de bloques cero son cero). Para el modelo de bsqueda tab para tres grupos, este r2 es .47. El que no es muy grande. Notamos que es una bondad de ajuste tan buena como la del modelo CONCOR con un grupo adicional. Por supuesto, uno puede ajustar modelos para varios nmeros de bloques y graficar las estadsticas r2 para decidir cual de ellos es el ptimo.

19

ANLISIS FACTORIAL, DE COMPONENTES PRINCIPALES

Todos los enfoques de equivalencia estructural se centran en la similaridad de patrones de relacin de cada actor con los dems. Si esos patrones son similares, entonces los actores son estructuralmente equivalentes. El anlisis de conglomerados, bsqueda tab y CONCOR, comparten en comn el supuesto de que se busca una similaridad global o singular en una nica dimensin. Esto, sin embargo, no garantiza que la matriz de similitud entre los perfiles de relacin de los actores sea unidimensional. El anlisis factorial y el escalamiento multidimensional de la matriz de similitud o de distancia relaja este supuesto. Estos mtodos escalares sugieren que, subyacentes a las similitudes observadas, puede haber ms de un aspecto o forma del patrn de equivalencia estructural y que los actores que son estructuralmente similares en un aspecto o dimensin pueden ser disimilares en otra. La implementacin de UCINET del enfoque de componentes principales busca la similitud en los perfiles de distancias de un actor a los dems. Los otros enfoques, que vimos antes, examinan los lazos desde y hacia los actores con datos direccionados. Por supuesto el anlisis factorial puede ser aplicado a cualquier matriz rectangular simtrica, de modo que la opcin de UCINET es una entre otros enfoques posibles. Se calculan las correlaciones entre pares de filas en la matriz de distancia. Luego se realiza un anlisis de componentes principales y las ponderaciones se rotan (la documentacin de UCINET no describe el mtodo usado para decidir cuntos factores retener, ni se describe el mtodo de rotacin). A continuacin se presenta parte del resultado obtenido con la rutina CATIJ de UCINET.

20

21

Comentario:

El anlisis factorial identifica una clara y fuerte dimensin, y dos

adicionales que son esencialmente internas. El segundo y tercer factor se deben a la particularidad de los patrones de las distancias de EDUC y a los patrones de las distancias de WRO. Estas distancias no se pueden explicar por los mismas patrones subyacentes de los otros, lo que sugiere que estas dos organizaciones no pueden ser priorizadas en las mismas dimensiones de similitud de que las otras. Este resultado es bastante distinto al obtenido con los otros mtodos. En parte se debe al uso de distancias en vez de adyacencias. La principal razn para la diferencias es, sin embargo, que los mtodos factoriales (y de escalamiento multidimensional) buscan por dimensionalidades en los datos, en vez de suponer unidimensionalidad. Los resultados sugieren que las organizaciones 3 y 6 no son estructuralmente equivalentes a las otras y que sus lazos difieren en su significado o funcin de los vnculos entre las otras organizaciones. En un sentido, el resultado implica que el intercambio de informacin para estas dos organizaciones puede ser de un tipo de vinculacin distinto que el de las dems organizaciones. Si se mira a la ubicacin de nodos en la primera dimensin, se puede ver que las organizacin estn ordenadas de una manera similar a la obtenida con los otros resultados. Uno podra imaginar que seleccionando puntos de corte a lo largo de la primera dimensin se obtendran agrupaciones agrupaciones {4,8,1,7,8}, {5}, {2,10}, {3,6}. Estas son bastante similares, si no idnticas, a las encontradas en los otros anlisis. Es sugerente el uso del anlisis factorial para purificar las agrupaciones por medio de la extraccin y remocin de dimensiones secundarias. Como casi todos los usos del anlisis factorial, sin embargo, debera ser usado juiciosamente. Los resultados pueden ser similares, o muy distintos a los obtenidos con mtodos de escalamiento unidimensional. Como siempre, no hay ninguno inherentemente correcto.

ESCALAMIENTO MULTIDIMENSIONAL
Una variacin del algoritmo CATIJ es el escalamiento multidimensional, MDS, el cual, como el anlisis factorial y de conglomerados, son una gran familia de tcnicas algo diversas. Su mayor utilidad radica en que presenta los patrones de similitud o disimilaridad de los perfiles de relacin entre actores (cuando se aplica a adyacencia o distancias), como un mapa de un espacio multidimensional. Este mapa permite ver cun cercanos estn los actores, si se aglomeran en el espacio multidimensional y 22

cunta variacin presentan en cada dimensin. bidimensional de la matriz de adyacencia.

A continuacin se presentan los

resultados de la rutina no paramtrica de UCINET usada para generar un mapa

23

Comentario: El stress en dos dimensiones es bajo, esto es, la bondad de ajuste es alta. Esto sugiere que la tercera dimensin identificada por el anlisis factorial previo puede no haber sido necesaria. EDUC y WRO son de nuevo identificados como estableciendo una dimensin distinta de las similaridades, en este caso dim 1. La aglomeracin de casos en la dimensin principal, la dim 2, no corresponde muy cercanamente a los mtodos de bloques ni factorial {1,10}, {2,4,5,7,8}, {9}. Esto puede deberse a varias razones, tales como usar distancias euclidianas en vez de correlaciones, dos en vez de tres dimensiones, etc. Una vez mas no se trata de que una solucin sea la correcta y las dems no. El enfoque MDS est mostrandonos 24

algo diferente y adicional acerca de las equivalencias estructurales aproximadas de estos puntos.

RESUMEN DEL CAPTULO IX

Hemos discutido la idea de equivalencia estructural de los actores y hemos visto algunas de las metodologas que son usadas para medirla, encontrar patrones en los datos empricos y describir el conjunto de actores sustituibles. La equivalencia estructural de dos actores es el grado al cual ambos tienen el mismo perfil de relaciones con otros en la misma red. La equivalencia exacta es rara en la mayora de las estructuras sociales (una interpretacin de equivalencia exacta es que representa una redundancia sistemtica de los actores, que puede ser de alguna manera funcional para la red). Aunque se puede a veces ver patrones de equivalencia estructural a ojo en una matriz de adyacencia o en un diagrama, casi siempre debemos usar mtodos numricos. Estos nos permiten lidiar con datos multiplejos, grandes nmeros de actores y datos valorizados, as como de tipo binario, como el que hemos examinado aqu. El primer paso es producir una matriz de similitud o distancia para todo par de actores. Esta matriz sintetiza la similaridad o disimilaridad general de cada par de actores en trminos de sus relaciones con otros. Hay varias maneras de calcular esos ndices, los mas comunes son la correlacin Pearson, la distancia euclidiana, la proporcin de coincidencias (para datos binarios) la proporcin de coincidencias positivas (coeficiente Jaccard, tambin para datos binarios). Se pueden usar varios mtodos para identificar patrones en matrices de similitud o de distancia y para describirlos. El anlisis de conglomerados agrupa juntos a los dos actores ms similares entre s, recalcula las similitudes e itera hasta que se ha combinado a todos los actores. Lo que produce una secuencia de aglomeracin o mapa en el cual los actores se ubican en una jerarqua de inclusin incremental a grupos, que en consecuencia, son menos exactamente equivalentes. El escalamiento multidimensional y el anlisis factorial se pueden usar para identificar qu aspectos de los perfiles de relacin son ms crticos para hacer a los actores ms similares o distintos y tambin se pueden usar para identificar agrupaciones. La agrupacin de actores estructuralmente equivalentes puede ser identificada por el mtodo divisivo de iterar la matriz de correlacin de actores (CONCOR) y por el mtodo directo de 25

permutacin y bsqueda de bloques de ceros y unos perfectos en la matriz de adyacencia (bsqueda tab). Una vez que se ha determinado el nmero de agrupaciones adecuado, los datos se pueden permutar y agrupar en bloques y calcular las imgenes. Estas tcnicas hacen posible visualizar cmo son aproximadamente equivalentes los actores de un conjunto y porqu distintos conjuntos son diferentes. Nos permiten describir el significado de los grupos y ubicar a sus miembros en la red. El anlisis de equivalencia estructural a menudo produce hallazgos interesantes y reveladores acerca de los patrones de relacin y las conexiones entre los actores individuales en una red. El concepto de equivalencia estructural busca operacionalizar la nocin de que los actores pueden tener posiciones idnticas o casi iguales en una red, y, por lo tanto, ser directamente sustituibles por el otro. Una explicacin alternativa es que los actores que son estructuralmente equivalentes enfrentan la misma matriz de restricciones y oportunidades en sus participaciones sociales. El anlisis sociolgico no es acerca de sujetos individuales y el anlisis estructural est ocupado, primariamente, con la idea ms general y abstracta de roles o posiciones que definen la estructura del grupo, ms que la ubicacin de actores especficos en relacin a otras personas. Para tal anlisis, usaremos un conjunto de herramientas que permiten estudiar la replicacin de subestructuras, la equivalencias automrfica, y los roles sociales, la equivalencia regular.

26

INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES. CAPTULOS DCIMO Y DECIMOPRIMERO
Robert A. Hanneman. Departamento de Sociologa de la Universidad de California Riverside.

NOTA PREVIA
Este documento esta traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en http://wizard.ucr.edu/~rhannema/networks/text/textindex.html [Consulta: 20-02-02]. Estos captulos han sido traducidos por Ren Ros, Departamento de Sociologa de la Universidad Catlica de Chile.

CAPTULO X. EQUIVALENCIA AUTOMRFICA. DEFINICIN

La definicin de Equivalencia Automrfica es menos compleja que la de equivalencia estructural, pero algo ms que la equivalencia regular. Hay una jerarqua de estos tres conceptos de equivalencia. regular, Cualquier conjunto de equivalencias estructurales es tambin automrfico y regular. Cualquier conjunto de equivalencias automrficas lo es Pero no toda equivalencia regular es necesariamente automrfica o estructural; y no todas las equivalencias automrficas son necesariamente estructurales. Formalmente, "dos vrtices u y v de un grafo etiquetado G son automrficamente equivalentes si todos los vrtices pueden ser re etiquetados para formar un grafo isomrfico con las etiquetas de u y ve intercambiadas. Dos vrtices automrficamente equivalentes comparten exactamente las misma propiedades independientes de rtulo. (Borgatti, Everett y Freeman, 1996: 119). De un modo ms intuitivo, son actores automrficamente equivalentes, si podemos permutar el grafo de manera tal que el intercambiar los dos actores no tiene efectos en las distancias entre todos los actores del grafo. Para establecer su equivalencia automrfica podemos primer imaginar el cambiar sus posiciones en la red. Luego miramos y vemos si, al cambiar a algn otro actor, podemos crear un grafo en el cual todos los actores estn a la misma distancia a la que estaban en el grafo original. En el caso de la equivalencia estructural, dos actores son equivalentes si podemos intercambiarlos y no afectar las propiedades del grafo. Los actores automrficamente equivalentes son actores que pueden ser intercambiados sin efecto en el grafo, dado que otros actores tambin han sido movidos. Si an no le queda claro el concepto, no desespere, contine la lectura y vuelva a la definicin despus de ver algunos ejemplos.

USOS DEL CONCEPTO

La equivalencia estructural enfoca nuestra atencin a la comparacin pareada de actores. al tratar de encontrar actores que pueden ser enrocados, estamos en

realidad mirando las posiciones de los actores en una red en particular. Estamos tratando de encontrar actores que son clones de substitutos. La equivalencia automrfica comienza por cambiar el foco de nuestra atencin, llevndonos hacia una visin ms abstracta de la red que las posiciones individuales. Se pregunta si toda la red puede ser reordenada, poniendo a distintos actores en diferentes nodos, pero dejando la estructura relacional, o esqueleto de la red intactos. Supongamos que hay diez trabajadores en un restaurante franquiciado, como MacDonalds, que reportan a un gerente. Este a su vez reporta al dueo de la franquicia que controla otro restaurante franquiciado. Tambin tiene un gerente y 8 trabajadores. Si el propietario decide transferir al gerente del primer restaurante al segundo y viceversa, la red ha sufrido una disrupcin. Pero si el gerente transfiere a los gerentes y a los trabajadores, la red permanece intacta. La transferencia es una permutacin en el grafo que deja todas las distancias entre el par de actores exactamente como estaba antes de la transferencia. En este sentido, el personal de un restaurante es equivalente al del otro, aunque las personas individuales no sean sustituibles. El ejemplo hipottico de los restoranes ilustra la principal utilidad del concepto de equivalencia automrfica. En vez de preguntarse qu individuos pueden ser intercambiados sin modificar las relaciones sociales descritas por el grafo (equivalencia estructural), el concepto, algo ms relajado de equivalencia automrfica enfoca la atencin hacia conjuntos de actores que son sustitubles como sub grafos, en relacin a otros subgrafos. En muchas estructuras sociales, puede haber muchas sub estructuras que son equivalentes a otras. El nmero, tipo, y relaciones entre tales subestructuras pueden ser bastante intersantes. Muchas estructuras que se ven muy grandes y complejas, pueden estar compuestas, al menos parcialmente, de mltiples subestructuras idnticas; las que pueden ser sustitutas de otras. De hecho si un MacDonalds es un MacDonalds, es un MacDonals...

LA BSQUEDA DE CONJUNTOS EQUIVALENTES

En principio, se pueden identificar los automorfismo en un grafo, por el mtodo de la fuerza bruta consistente en examinar toda posible permutacin del grafo. Con uno pequeo, y un computador rpido, es til hacerlo as. Bsicamente, se examina toda permutacin posible para ver si tienen la misma estructura de vnculos que el grafo original. Para grafos ms grandes el nmero de permutaciones que requieren ser 4

comparadas se vuelve extremadamente grande. Para los grafos de muchas redes reales, no los ejemplos soados por los tericos, puede no haber automorfismos exactos. Para grafos complicados, y particularmente para grafos dirigidos o valorados, la cantidad de capacidad computacional requerida puede ser abrumadora y se puede asegurar queno habr mas que unas pocas equivalencias si las hay. Al igual que con la equivalencia estructural, puede ser til identificar automorfismos aproximados, los que pueden surgir cuando la medicin de relaciones contiene errores, cuando la variabilidad muestral ofrece un cuadro incompleto de la red o cuando las relaciones que generan una red no est en equilibrio, es decir cuando los procesos de transitividad y balance no estn completos cuando se colecta los datos. O, por supuesto, puede darse el caso de que en una red exista verdaderamente un conjunto de actores que son similares entre s, pero no exactamente equivalentes. UCINET provee diversos enfoques para identificar conjuntos de actores que son aproximadamente equivalentes automrficamente. La equivalencia geodsica se enfoca en la similitud de los perfiles de las distancias geodsicas de un actor con otros. La idea puede ser aplicada a datos dirigidos o no dirigidos y para datos binarios o valorizados. Primero se calcula la matriz de distancia geodsica. Segundo, el vector de distancia geodsica de cada actor es extrada y los elementos se ordenan. Tercero, se calcula para los vectores ordenados, la medida de disimilaridad de distancia euclidiana. La resultante matriz de distancia sintetiza la disimilitud por pares en el perfil de distancias geodsicas del actor. El elemento clave aqu es que se trata de la comparacin entre dos actores, del perfil de distancias geodsicas y no de las distancias geodsicas dirigidas a los mismos receptores. En tanto ambos actores tengan la misma mezcla de distancias geodsicas, sern equivalentes. Una vez que la matriz de disimilitudes ha sido generada, se pueden usar anlisis de conglomerados o escalamiento dimensional para identificar particiones de actores aproximadamente equivalentes. El algoritmo maxsim de UCINET es una extensin del enfoque de equivalencia geodsica, que es particularmente til para datos orientados y valorizados. El algoritmo comienza con una matriz de distancia (o con una concatenacin de distancias desde y de distancia a, para datos direccionados). Las distancias de cada actor se ordenan de menor a mayor y la distancia euclidiana se usa para calcular la disimilaridad de perfiles de distancia entre cada par de actores. El algoritmo punta 5

como automrficamente equivalentes a los actores que tienen perfiles similares de distancia. Nuevamente, el foco radica en saber si el actor u tienen un conjunto similar de distancias, sin importar las distancias, con el actor v. El escalamiento dimensional o aglomeracin de distancias se pueden usar para identificar conjuntos de actores aproximadamente automrficamente equivalentes. Bsqueda tab, es un mtodo numrico para encontrar la mejor divisin de actores en un nmero dado de particiones sobre la base de la equivalencia automrfica aproximada. Al usar este mtodo, es importante explorar el rango de posibles Una vez seleccionado el nmero de nmeros de particiones, a no ser que se disponga de uno a priori por la teora, para determinar cuntas particiones son tiles. encontrado un mnimo global y no uno local. El mtodo comienza con la asignacin estocstica de particiones. Una medida de maldad de ajuste se construye calculando la suma de cuadrados para cada fila y columna dentro de un bloque y la varianza de esas sumas de cuadrados. Estas varianzas se suman luego a travs de los bloques para construir una medida de bondad de ajuste. La bsqueda contina hasta encontrar una asignacin de actores a particiones que minimice el estadstico de maldad de ajuste. Lo que se est minimizando es una funcin de la disimilaridad de la varianza de puntajes dentro de las particiones. Esto es, el algoritmo busca agrupar juntos a actores que tienen similares cantidades de variabilidad en sus puntajes de filas y columnas en los bloques. Los actores que tienen una variabilidad similar es probable que tengan perfiles similares de vnculos enviados y recibidos dentro y entre bloques, aunque no necesariamente tienen los mismos vnculos con los mismos otros actores. Al revs de otros mtodos mencionados aqu, la bsqueda tab, produce una matriz particionada, y no un matriz de disimilaridades. Tambin provee de un estadstico de maldad de ajuste. Ambos resultados hacen recomendable este enfoque quizs combinado con otros mtodos. particiones es til reiterar el algoritmo varias veces para asegurarse que se ha

ALGUNOS EJEMPLOS
La red estrella analizada por distancia geodsica.

Sabemos que a particin {A}, {B,C,D,E,F,G} define conjuntos estructuralmente equivalentes. Por consiguiente, esta es tambin una particin automrfica. Aunque este sea un resultado obvio, sirve como ejemplo para comprender los algoritmos necesarios para identificar equivalencias automrficas. El resultado del algoritmo de equivalencia geodsica de UCINET para identificar conjuntos de equivalencia automrfica es el siguiente:

Comentario: Los actores estn listados en las filas, el nmero de sus geodsicas de distintas longitudes estn en las columnas.

Nota: Las disimilaridades estn medidas como distancias euclidianas.

Nota: La aglomeracin de distancias claramente divide en dos conjuntos, centro y periferia.

LA RED LINEAL ANALIZADA CON MAXSIM

La red lineal es interesante por las divergencias entre centralidades y grado de intermediacin de los actores.

Este es el producto del algoritmo Maxsim de UCINET (nodo 1 = "A", nodo 2 ="B", etc.)
AUTOMORPHIC EQUIVALENCE VIA MAXSIM NOTA: Binary adjacency matrix converted to reciprocals of geodesic distances. Matriz binaria de adyacencia convertida a recprocos de distancias geodsicas.

Comentario: Maxsim es mas til con datos valorizados, de modo que se analizan las recprocas de las distancias en vez de las adyacencias.

DISTANCIAS ENTRE ACTORES

1 2 3 4 5 6 7 ---- ---- ---- ---- ---- ---- ---1 0.00 3.22 3.62 3.73 3.62 3.22 0.00 2 3.22 0.00 1.16 1.37 1.16 0.00 3.22 3 3.62 1.16 0.00 0.50 0.00 1.16 3.62 4 3.73 1.37 0.50 0.00 0.50 1.37 3.73 5 3.62 1.16 0.00 0.50 0.00 1.16 3.62 6 3.22 0.00 1.16 1.37 1.16 0.00 3.22 7 0.00 3.22 3.62 3.73 3.62 3.22 0.00 HIERARCHICAL CLUSTERING OF (NON-)EQUIVALENCE MATRIX Level 4 5 3 2 6 1 7 ----- - - - - - - 0.000 . XXX XXX XXX 0.500 XXXXX XXX XXX 1.212 XXXXXXXXX XXX 3.383 XXXXXXXXXXXXX

Comentario: La aglomeracin primero separa como equivalentes, el conjunto de los dos actores de las puntas, luego el siguiente para hacia adentro, el siguiente y el centro. Analice Ud. mismo para convencerse de que este es un automorfismo vlido, y de hecho exacto, de este grafo.

LA RED DE WASSERMAN-FAUST ANALIZADA POR TODAS LAS

BSQUEDAS DE PERMUTACIONES
El grafo presentado por Wasserman y Faust es ideal para ilustrar las diferencias entre las equivalencias estructurales, automrficas y regular. Antes de mirar los resultados, vea si puede escribir cuales son las posiciones automrficamente equivalentes en esta red.

He aqu el producto del examen de UCINET para todas las permutaciones de este grafo.

Comentario: El algoritmo examin ms de trescientos mil posibles permutaciones del grafo. Vemos que dos de las ramas (B,E, F y D,H,I) son intercambiables como subestructuras completas. La red de intercambio de informacin entre burocracias de Knoke, analizada con bsqueda TABU. Ahora examinaremos datos ms complejos. En los datos de informacin de Knoke no hay automorfismos exactos, lo que no es sorprendente dada la complejidad del patrn de conexiones, particularmente si distinguimos entre vnculos entrantes y salientes (emisores y receptores).

10

Al igual que con la equivalencia estructural, puede ser til examinar aproximada equivalencia automrfica. Para ello es til el algoritmo de bsqueda TABU. Seleccionamos el nmero de particiones a evaluar y el programa busca encontrar el error mnimo al agrupar los casos. He aqu los resultados del anlisis de los datos de Knoke con el algoritmo de bsqueda TABU de UCINET. Primer examinamos la bondad de ajuste de diferentes nmeros de particiones de los datos.

Comentario: No hay una respuesta correcta acerca de cuntos automorfismo hay aqu. Hay dos respuestas triviales: aquella que agrupa todos los casos juntos en una particin y aquella que separa cada caso en su propia particin. Entre medio uno podra seguir la lgica del grfico "scree" del anlisis factorial para seleciconar un nmero significativo de particiones. particiones: Miremos primero los resultados para tres

11

Comentario: Las filas y columnas de WRO tiene varianzas similares (altas), y las filas y columnas de MAYR tienen similares varianzas (bajas). Pareciera que el algoritmo ha funcionado bien al dividir la matriz en bloques de modo que produzca filas y columnas con similar varianza dentro de los bloques. Una visin bastante simple, pero no tan cruda, de los datos es que el MAYR y el WRO son bastante nicos, y tienen relaciones similares con actores ms o menos intercambiables en el resto del grupo grande. Por supuesto que, con ms particiones, podemos lograr mejor bondad de ajuste. Los analistas tendrn que ejercer su propio juicio, dados los objetivos de su estudio, acerca de si un mejor ajuste significa un mejor modelo o tan slo uno que es ms complicado. He aqu el resultado para siete particiones:

12

Comentario: En este caso, particiones adicionales de los datos dan por resultado la separacin adicional de actores individuales en torno a un centro ms grande. Lo cual no es necesariamente el caso, pues podran haber resultado facciones o divisiones de particiones, as como la separacin de actores individuales. Nos queda una visin de la red como una en la que hay un ncleo con cerca de la mitad de los actores que son ms o menos sustituibles en sus relaciones con otras posiciones, seis, en el resultado mostrado.

RESUMEN CAPTULO X
En un sentido, el tipo de equivalencia expresada bajo la nocin de automorfismo cae entre la equivalencia estructural y la regular. La estructural significa que los actores individuales pueden ser sustituidos unos por otros. La automrfica que las subestructuras de los grafos se pueden sustituir. Como veremos a continuacin, la equivalencia regular va an ms all, y busca lidiar con clases o tipos de actores, en

13

que cada miembro de cualquier clase tiene relaciones similares con algn miembro de cada una de las otras. La nocin de equivalencia estructural corresponde bien con los anlisis enfocados en la manera que los individuos estn imbricados en las redes, o anlisis reticular posicional. La nocin de equivalencia regular enfoca la atencin en clases de actores, o roles, ms que en individuos o grupos. El anlisis de equivalencias automrfica est entre estos focos ms convencionales y no ha recibido an mucha atencin en la investigacin emprica. Con todo, la bsqueda de subestructura de sustitucin mltiple en grafos, particularmente en grandes y complejos, puede revelar que la complejidad de estructuras muy grandes es ms aparente que real; a veces son descomponibles, al menos parcialmente, en similares mltiples estructuras mas pequeas.

14

CAPTULO XI. EQUIVALENCIA REGULAR DEFINICIN

La equivalencia regular es la menos restrictiva de las tres definiciones ms comnmente usadas. Es, sin embargo, la ms importantes para el socilogo. Esto porque el concepto de equivalencia regular y los mtodos empleados para identificar y describir los conjuntos equivalentes se corresponden cercanamente con el concepto sociolgico de rol. La nocin de roles sociales es central en la mayora de las teorizaciones sociolgicas. Formalmente, "dos actores son regularmente equivalentes si estn igualmente relacionados con otros equivalentes (Borgatti, Everett y Freeman, 1996: 128). Los conjuntos regularmente equivalentes estn compuestos por actores que tienen similares relaciones con miembros de otros conjuntos de equivalentes regulares. El concepto no se refiere a vnculos con otros actores especficos, o a la presencia de sub grafos similares; los actores son regularmente equivalentes si tienen lazos similares con cualquier otros miembros de otros conjuntos. El concepto es ms fcil de captar intuitivamente que formalmente. Susan es la hija de Inga. Debora es la hija de Sally. Susan y Debora forman un conjunto regularmente equivalente porque cada una tiene un vnculo con un miembro de otro conjunto. Inga y Sally forman un conjunto porque cada una tiene un vnculo con un miembro de otro conjunto. En lo referido a la equivalencia regular no nos interesa qu hija va con cul madre; lo que es identificado por la equivalencia regular es la presencia de dos conjuntos (que podemos rotular madres e hijas), cada uno definido en su relacin con el otro conjunto. Las madres son madres porque tienen hijas, las hijas lo son porque tienen madres.

USOS DEL CONCEPTO

La mayora de las aproximaciones a posiciones sociales las definen relacionalmente. Para Marx, los capitalistas pueden existir si hay trabajadores y viceversa. Los dos roles son definidos por la relacin entre ellos, (i.e. los capitalistas expropian plusvala de la fuerza de trabajo de los trabajadores). Esposos y esposas; hombres y mujeres; minoras y mayoras; castas altas y bajas; y la mayora de otros roles se definen relacionalmente. 15

El enfoque de equivalencia regular de una red se puede usar entonces para ubicar y definir la naturaleza de los roles por sus patrones de relacin. La relacin entre roles que el anlisis de equivalencia regular hace patente y las percepciones de los actores o la denominacin de sus roles, pueden ser problemticos. Lo que los actores rotulan con nombres de roles y las expectativas (o normas que van con los roles) resultantes que tienen hacia ellos pueden influir pero no determinar completamente los patrones reales de interaccin. Estos a su vez, son regularidades de las cuales emergen roles y normas. Estas ideas estn en el ncleo de la perspectiva sociolgica: de la interaccin surgen la cultura y las normas y roles que restringen la interaccin. La identificacin y definicin de roles por medio del anlisis de equivalencia regular en datos reticulares es posiblemente el desarrollo intelectual ms importante del anlisis de redes sociales.

EL HALLAZGO DE CONJUNTOS EQUIVALENTES

La definicin formal postula que dos actores son regularmente equivalentes si tienen un patrn similar de vnculos con otros que a su vez son equivalentes entre s. Consideremos a dos hombres. Cada uno tiene hijos, aunque en nmeros diferentes. Tienen una esposa, cada una de ellas a su vez, tienen hijos y un marido, es decir tiene vnculos con todos y cada uno de los miembros de esos conjuntos. Cada hijo tiene vnculos con uno o ms miembros del conjunto esposos y esposas. Al identificar qu actores son maridos no nos interesan los vnculos entre miembros de este conjunto, de hecho esperaramos que este bloque fuese cero. Lo que es importante es que cada marido tenga al menos un vnculo con una persona en la categora esposa y al menos uno en la categora hijo. Los maridos son equivalentes entre s porque tienen vnculos similares con miembros de los conjuntos esposas e hijos. Pero pareciera haber un problema con esta bastante simple definicin. Si la definicin de cada posicin depende de su relacin con otras posiciones, por dnde se parte? Hay varios algoritmos que ayudan a identificar conjuntos regularmente equivalentes. UCINET provee algunos mtodos que son particularmente tiles para ubicar actores aproximadamente equivalentes en grafos valorados, multirelacionales y orientados. Algunos mtodos ms simples para datos binarios se pueden ilustrar directamente.

16

Consideremos una vez ms, la red en el ejemplo de Wasserman-Faust. Supongamos que es una imagen de una jerarqua simple de comando. Todos los vnculos estn dirigidos desde lo alto del diagrama hacia abajo. Encontraremos una caracterizacin de equivalencia regular de este diagrama.

Primero, caracterizamos cada posicin como una fuente (un actor que enva vnculos, pero que no los recibe), un repetidor (un actor que recibe y enva) y un sumidero (un actor que recibe pero que no enva). La fuente es A, los repetidores son B,C y D y los sumideros son E,F,G,H e I. Hay una cuarta posibilidad lgica. Un aislado es un nodo que ni enva ni recibe vnculos. Los aislados forman un conjunto con equivalencia regular en cualquier red, y deberan ser excluidos del anlisis de equivalencia de un sub grafo conectado. Dado que hay un solo actor en el conjunto de emisores o fuente, identificar ninguna complejidad adicional en dicho rol. no podemos

Consideremos los tres

repetidores (B,C y D). En el vecindario (esto es adyacente con) del actor B hay tanto fuentes como sumideros. Lo mismo es vlido para los otros repetidores, aunque los tres actores pueden tener distintos nmeros de fuentes y sumideros y estos pueden ser a su vez diferentes fuentes o sumideros especficos (o los mismos). No podemos definir ms el rol de este conjunto {B,C,D} porque hemos agotado sus vecindarios. Es decir, las fuentes a las cuales estn conectados los repetidores no pueden ser mayormente diferenciadas en mltiples tipos, puesto que hay slo una fuente; los sumideros a los que los repetidores emiten no pueden ser adicionalmente diferenciados porque no tienen ms conexiones. Ahora consideremos a los terminales (los actores E,F,G,H e I). Cada uno est

conectado a una fuente (que son distintas). Hemos establecido que, en este caso, todas las fuentes (B,C y D) son regularmente equivalentes. De modo que E e I, estn equivalentemente conectados a otros equivalentes. Con eso termina la particin.

17

El resultado de la particin [A], [B,C,D],, [E,F,G,H,I] satisface la condicin de que cada actor en cada particin tenga el mismo patrn de conexin con actores de otras particiones. La matriz de adyacencia permutada se ve as:

Es til hacer bloques en la matriz para mostrar su imagen.

Aqu, sin embargo,

usaremos algunas reglas especiales para determinar los bloques con 0 y con 1. Si un bloque est compuesto por puros 0, ser un bloque 0. Si cada actor en una particin tienen un vnculo con cualquier actor de otro bloque, definiremos el bloque conjunto como un bloque 1. La imagen usando esta regla es:

A emite a uno o ms del BCD pero a ninguno del EFGHI. BCD no enva a A, pero cada uno de BCD enva al menos uno a EFGHI. Ninguno de EFGHI enva a alguno de A o de BCD. Esta imagen, de hecho, despliega el patrn caracterstico de una jerarqua estricta: unos en el vector en la primera diagonal (hacia arriba de la diagonal principal) y ceros en todos los dems. La regla para definir un bloque 1 cuando cada 18

actor es una particin tiene un vnculo con un actor en otra particin es una manera de operacionalizar la nocin de que los actores del primer conjunto son equivalentes si estn conectados con actores equivalentes entre s, en la otra particin, sin que se requiera, o se impida, que estn vinculados a los mismos otros actores. Esta regla de imagen es la base para el algoritmo de bsqueda tab. La bsqueda en el vecindario, es la base para el enfoque REGE para datos categricos (discusin y ejemplos ms abajo). Para resumir: comenzamos una bsqueda en el vecindario caracterizando a cada actor como fuente, repetidor, terminal o aislado. Examinando cada categora, determinamos que tipos de actores hay en cada vecindario de cada uno de los actores en las particiones iniciales. Si el tipo de actores presente en cada vecindario son los mismos, hemos terminado y podemos ir hacia el prximo grupo inicial; si los actores tienen distinta composicin vecindaria, podemos subdividirlos repetir el proceso. En principio, la bsqueda de vecindario continuar hacia afuera para cada actor hasta que las trayectorias de todas las longitudes se hayan examinado. En la prctica, los analistas no van ms all de 3 pasos. Para la mayora de los casos, las diferencias en la composicin del vecindario de un actor que est ms distante que 3, no son sustantivamente importantes. La regla de bsqueda en vecindario trabaja bien para datos binarios orientados. Se puede extender a valores integrales y datos multirelacionales (algoritmo categorial REGE). Si la fuerza de los lazos dirigidos se ha medido (o si uno usa la recproca de la distancia geodsica entre actores como proxy de su fuerza de vnculo), el algoritmo continuo REGE se puede aplicar para reponderar iterativamente en la bsqueda vecinal para identificar actores aproximadamente equivalentes. Muchos datos de redes muestran lazos no dirigidos. Faust en su forma no orientada. Esto hace problemtica la

aplicacin de algoritmos de equivalencia regular. Consideremos la red de Wasserman-

19

Si no se dispone del direccionamiento, no podemos dividir los datos en fuentes, repetidores y terminales, de modo que la idea de bsqueda vecinal se diluye. En este caso tiene ms sentido examinar la matriz de distancias geodsicas, en vez de la matriz de adyacencia. Entonces se puede usar REGE categorial, que trata cada valor de distancia geodsica como un vecindario cualitativamente diferente. O, se puede usar REGE continuo, probablemente una opcin ms razonable, considerando el inverso de la distancia como una medida de la fuerza del vnculo. Veamos algunos ejemplos de estos enfoques con datos reales. Primero vamos a ilustrar el enfoque bsico de bsqueda vecinal con REGE categorial. geodsicas en un grafo no dirigido. bsqueda tabu a datos binarios dirigidos. Luego compararemos los tratamientos categoriales y continuos de los valores de las Finalmente, vamos a aplicar el mtodo de

REGE CATEGORIAL PARA DATOS BINARIOS DIRIGIDOS (INTERCAMBIO DE INFORMACIN DE KNOKE)

La red de intercambio informacional de Knoke es dirigido y binario, aunque muchos vnculos son recprocos.

El algoritmo REGE, cuando se aplica a datos binarios, primero categoriza a los actores como fuentes, repetidores y terminales. Luego intenta subdividir a los actores en cada una de esas categoras de acuerdo a los tipos de actores en el vecindario. El proceso contina, por no muchos pasos, hasta que todos los actores estn divididos, y no hay

20

una mayor diferenciacin obtenible por extensin del vecindario. resultados:

He aqu los

Comentario: Este enfoque sugiere una solucin de {1,4,9}, {3,6,8,10}, {5}. Vemos ms adelante que es particin es similar aunque no idntica con la solucin producida por la bsqueda Tab. En este caso, los actores y sus vecindarios son bastante similares en un sentido tosco, de ser fuentes, repetidores y terminales. Cuando los roles de los actores son muy similares en este sentido tosco, la bsqueda vecinal simple no puede producir resultados sosos.

REGE CATEGORIAL PARA DISTANCIAS GEODSICAS (DATOS

DE MATRIMONIO DE PADGETT)
Los datos sobre alianzas matrimoniales entre las familias de la elite Florentina presentan densidades de medianas a bajas y no son dirigidas. Hay considerables diferencias entre las posiciones de las familias.

21

El algoritmo REGE categorial se puede usar para identificar actores con equivalencia regular tratando los elementos de la matriz de distancia geodsica como descriptores del tipo de vnculos, de modo que distintas distancias geodsicas son tratadas como cualitativamente diferentes. Dos nodos son equivalentes si cada uno tienen un actor en su vecindario que es del mismo tipo, en este caso, esto significa que son similares si cada uno tiene un actor que est a la misma distancia geodsica respecto a ellos. Con muchos conjuntos de datos, los niveles de similitud de vecindarios pueden resultar bastante altos, y puede ser difcil diferenciar las posiciones de los actores sobre la base de la equivalencia regular.

22

Comentario:

El uso de Rege con datos no dirigidos, puede producir resultados

inesperados, an cuando se sustituyen las distancias geodsicas por valores binarios. Puede ser ms til combinar el nmero de vnculos distintos para producir valores continuos. El principal problema es que con datos no dirigidos la mayora de los casos van a aparecer muy similares unos con otros (en el sentido "regular), y ningn algoritmo puede corregir esto. Si las distancias geodsicas se pueden usar para representar las diferencias en los tipos de vnculo, que es la cuestin conceptual, y si los actores tienen alguna variabilidad en sus distancias, este mtodo produce resultados significativos. Pero, en mi opinin, debe usado con cautela, si es que se usa, con datos no dirigidos.

REGE CONTINUO PARA DISTANCIAS GEODSICAS (DATOS DE

MATRIMONIOS DE

PADGETT)

Un enfoque alternativo para los datos no dirigidos de Padgett es tratar los distintos niveles de distancias geodsicas como medidas de (la inversa) de la fortaleza de vnculos. Dos nodos son ms equivalentes si tienen un actor de similar distancia en su vecindario (similar en el sentido cuantitativo de que 5 es ms similar a 4, que lo que es 6). Por defecto, el algoritmo extiende la bsqueda a vecindarios de distancia 3, aunque se pueden seleccionar menos o ms.

23

EQUIVALENCIA REGULAR POR MEDIO DEL ALGORITMO REGE

DE WHITE/REITZ

24

Comentario: Una mejor opcin para datos no dirigidos que el enfoque categorial, es el algoritmo REGE continuo aplicado a las distancias geodsicas. El resultado sigue mostrando equivalencias regulares bastante altas ente los actores, y la solucin es modestamente similar a la del enfoque categorial.

LA RED DE INTERCAMBIO DE INFORMACIN DE KNOKE

ANALIZADA CON LA BSQUEDA TAB
Antes hemos examinado la red de informacin de Knoke usando el enfoque de vecindario. El mtodo tab es una bsqueda iterativa de una permutacin y particin del grafo, dada una decisin a priori acerca del nmero de particiones, que produce el menor nmero de excepciones a codificaciones de bloques cero y uno de equivalencia regular. En otras palabras, los bloques son cero si todas sus entradas son cero y uno si hay al menos un elemento en cada fila y columna. Aqu aplicamos el mtodo a los mismos datos que hemos usado antes para el anlisis simple de vecindario. resultado es: El

25

Comentario: El mtodo produce un estadstico de ajuste y deben compararse las soluciones para distintos nmeros de particiones. En este caso, un modelo de 5 grupos se ajusta mejor que la solucin de 4 grupos mostrada aqu. La solucin de 4 grupos se reporta para que se pueda comparar con el resultado de bsqueda de vecindario, presentada antes. La matriz de adyacencia de bloques para la solucin de 4 grupos es, sin embargo, bastante convincente. De los 12 bloques que son de inters, (los bloques en las diagonales no son relevantes para el anlisis de rol), 10 satisfacen perfectamente las reglas para bloques 0 y 1. La solucin es tambin interesante desde el punto de vista sustantivo. El primer

conjunto {2,5}, por ejemplo, son repetidores puros, que envan y reciben a y de todos los otros roles. El conjunto {6,10,3} slo emite a otros dos tipos, no a todos los tres tipos, y reciben desde slo un tipo. Y as sucesivamente. El mtodo de bsqueda tab puede ser muy til y generalmente produce resultados interesantes. Es un algoritmo iterativo de bsqueda, pero igualmente puede encontrar soluciones locales. Muchas redes tienen ms de una particin vlida por medio de la equivalencia regular y no hay garantas de que el algoritmo siempre encontrar la misma solucin. iniciales. Debe ser ejecutado varias veces con diferentes configuraciones

26

RESUMEN DEL CAPTULO XI

El concepto de equivalencia regular es muy importante para los socilogos que usan mtodos de anlisis de red, porque es coincidente con la nocin de rol social. Dos actores son equivalentes regulares si tienen a su vez, relaciones a otros equivalentes (no necesariamente los mismos, o en el mismo nmero). Las equivalencias pueden ser exactas o aproximadas. A diferencia de definiciones estructurales o automrficas de equivalencia, puede haber muchas maneras vlidas para clasificar a los actores en conjuntos de equivalencia regular en un grafo dado - y ms de una puede ser significativa. Existen diversos enfoques algortmicos para realizar el anlisis de la equivalencia regular. Todas se basan en la bsqueda de vecindarios de actores y en el perfilamiento de los vecindarios por la presencia de actores de otros tipos. En la medida que los actores tienen tipos similares a actores que estn a similares distancias en sus vecindarios, son regularmente equivalentes. Esta definicin algo suelta puede traducirse con bastante precisin en reglas de bloques uno y cero para producir una matriz de imagen de los bloques de equivalencia propuestos. La bondad (de ajuste) de estas imgenes es quizs el mejor test para una particin propuesta. Y las propias imgenes son la mejor descripcin de la naturaleza de cada rol en trminos de sus patrones de relacin esperados desde otras reglas. Slo hemos tratado superficialmente el anlisis de equivalencias regulares y de roles en una red. Una extensin mayor que lo hace ms rico an, es la incorporacin de mltiples tipos de vnculos (es decir, matrices de relacin apiladas). Otra extensin es el lgebra de roles que busca identificar relaciones subyacentes, o generativas de los patrones de vnculos en redes de mltiples vnculos (en vez de simplemente apilarlas o sumarlas).

27