Introducción al análisis de datos reticulares

Prácticas con UCINET6 y NetDraw1

Versión 1
Águeda Quiroga
Departamento de Ciencias Políticas, Universidad Pompeu Fabra
[email protected]
Junio 2003
UCINET 6 for Windows
Version 6.26 / 30 May 2003
Copyrigt © 19992003 Analytic Technologies
Borgatti, S.P., M.G. Everett, and L.C. Freeman. 2002. UCINET 6 for
Windows Software for Social Network Analysis. Harvard: Analytic
Technologies
Puede obtenerse una versión de evaluación gratuita en:
http://www.analytictech.com/downloaduc6.htm
NetDraw1.0:
Copyright 2002 Steve Borgatti
([email protected])
Contenidos
Introducción 4
Sobre el análisis de redes sociales 5
Descripción del ejercicio práctico 7
Crear una matriz con UCINET 6 9
Graficar una matriz con NetDraw1 17
Medidas de centralidad 28
Rango (degree) 28
Grado de intermediación (betweenness) 34
Cercanía (closenness) 37
Conclusiones 43
Introducción
Este manual tiene como objetivo introducir conceptos básicos del
análisis de datos reticulares (o análisis de redes sociales),
utilizando herramientas de análisis y representación de datos, como
UCINET 6 y NetDraw1.
Se trata de un texto orientado hacia la puesta en práctica de estos
conceptos iniciales, a través de la realización de un ejercicio
práctico.
Los contenidos de este manual surgen de tres fuentes principales:
*
Hanneman, Robert, Introducción a los métodos de análisis de redes
sociales
*
Molina, José Luis, El análisis de redes sociales. Una introducción
*
Wasserman, S. y Faust, K., Social Network Análisis. Methods and
applications.1
Y conforman una breve introducción al análisis de redes sociales, al
tipo de datos que se utilizan en dicho análisis y a su correcto
tratamiento. A lo largo del ejercicio se construyen matrices, se
grafican y analizan los datos a través de tres medidas de centralidad:
rango, grado de intermediación y grado de cercanía.
Sobre el análisis de redes sociales
¿Qué es el análisis de redes sociales? Veamos una definición:
“El análisis de redes sociales se ocupa del estudio de las relaciones
entre una serie definida de elementos (personas, grupos,
organizaciones, países e incluso acontecimientos). A diferencia de los
análisis tradicionales que explican, por ejemplo, la conducta en
función de la clase social y la profesión, el análisis de redes
sociales se centra en las relaciones y no en los atributos de los
elementos”. (Molina, op.cit: p. 13)
La particularidad del análisis de redes sociales radica entonces en el
énfasis en las relaciones entre los elementos estudiados, entre sus
propiedades relacionales, y no en las características monádicas
(atributos individuales) de cada elemento (aunque los datos
atributivos también pueden ser incorporados en el análisis, como
veremos más adelante).
Como señala Hanneman (op.cit), los datos sociológicos “tradicionales”
se representan en una matriz rectangular en donde se inscriben las
mediciones. En las filas se ubican los casos u observaciones
(personas, organizaciones, países, etc.), y en las columnas, las
variables seleccionadas (edad, tipo de organización, población, etc.).
En cambio, en el análisis de redes sociales
“los datos de la ‘red’ (en su forma más pura), constituyen una matriz
cuadrada de mediciones. Las filas de la matriz son los casos, sujetos
u observaciones. Las columnas son el mismo conjunto de casos, sujetos
y observaciones –allí está la diferencia clave con los datos
convencionales. En cada celda de la matriz se describe una relación
entre los actores”. (p. 5)
Figura 1. Matriz con datos sociológicos “convencionales”
Informante
Edad
Sexo
Ocupación
FFG
32
Mujer
Secretaria administrativa
BNM
20
Hombre
Estudiante
DFP
45
Hombre
Funcionario público
CCD
37
Mujer
Abogada
STR
26
Mujer
Docente
Figura 2. Matriz con datos relacionales
¿Quién es amigo de quién?
FFG
BNM
DFP
CCD
STR
FFG

1
0
0
1
BNM
1

1
0
0
DFP
0
1

1
1
CCD
0
0
1

0
STR
1
0
1
0

En las figuras 1 y 2 se presenta un ejemplo de los dos tipos de
matrices señaladas por Hanneman. La primera se fija en las
características de los individuos. La segunda, en las relaciones que
mantienen dichos individuos entre sí. Así, se ha marcado con 1 la
presencia de la relación de amistad y con 0 su ausencia.
Los elementos básicos del análisis de redes sociales son, entonces,
los nodos (los puntos que representan a personas, grupos, países,
etc.) y la relación o vínculo que nos interesa analizar (amistad,
enemistad, parentesco, comercio, etc.) y que se establece entre tales
nodos.
Descripción del ejercicio práctico
A lo largo de este manual trabajaremos con un ejemplo sencillo, a fin
de introducir las herramientas básicas. Analizaremos las relaciones de
conocimiento de un curso de estudiantes universitarios. Contamos con
el listado de estudiantes (nombre y sexo) y la carrera a la que
pertenecen. Además, cada uno de ellos ha respondido un cuestionario en
el que se les preguntaba a quiénes de los demás integrantes de la
clase conocían personalmente antes de iniciar el curso.
Así, los nodos serán en este caso los estudiantes, y el vínculo a
analizar será la relación de conocimiento previo. Conviene precisar
bien a qué propiedad relacional nos referimos. No se trataba en este
caso de preguntar quiénes eran amigos de quiénes, ni de si algún
estudiante tenía conocimiento indirecto de otro (ambos casos resultan
problemáticos por diversas razones). Se trata de la propiedad “conocer
a”, que en nuestro estudio (y en el cuestionario) se entendía como
tener un mutuo conocimiento personal (que no tiene por qué implicar
relación continuada, pero sí alguna interacción pasada). Con los datos
de las tablas 1 y 2 elaboraremos las matrices que utilizaremos para el
análisis
Tabla 1. Listado de estudiantes
Nombre
Sexo (M/F)
Carrera
Andrés
M
Antropología
Carlos
M
Arqueología
Carme
F
Arqueología
Carmen
F
Antropología
Carol
F
Arqueología
Dolors
F
Antropología
Hugo
M
Sociología
Joan
M
Antropología
José
M
Psicología Social
Julio
M
Antropología
Liliana
F
Sociología
María
F
Psicología Social
Mariano
M
Arqueología
Martha
F
Arqueología
Nuria
F
Psicología Social
Pau
M
Antropología
Xavi
M
Psicología Social
Tabla 2. Resultado del cuestionario
Nombre
Conoce a
Andrés
Carlos, Carmen, Dolors, Joan, Julio, Pau
Carlos
Carme, Carol, Andrés
Carme
Carlos, Carol
Carmen
Andrés, Dolors, Pau
Carol
Carlos, Carme
Dolors
Andrés, Carmen, José
Hugo
Liliana
Joan
Andrés, Julio, Pau, José
José
Dolors, Joan, María, Nuria, Xavi
Julio
Andrés, Joan
Liliana
Hugo
María
José, Nuria, Xavi
Mariano
Martha, Pau
Martha
Mariano, Pau
Nuria
José, María
Pau
Andrés, Carmen, Joan, Martha, Mariano
Xavi
José, María
Crear una matriz con UCINET 6
El primer paso en nuestro análisis de redes del ejemplo planteado
consiste en construir una matriz con la información de que disponemos,
a fin de poder analizarla y graficarla. Para eso, utilizaremos el
programa UCINET 6.
Al iniciar dicho programa UCINET 6 nos encontramos con la siguiente
pantalla:
Figura 3

Al operar en un entorno Windows, el programa presenta características
comunes a los programas elaborados para este sistema operativo. Cuenta
con una barra de menús desplegables (File, Data, Transform, Tools,
Network, Draw, Options, Help) más una serie de iconos de acceso
directo. Si nos fijamos en la figura 3, veremos que en el centro de la
barra de trabajo hay un rectángulo blanco, donde se lee “C:\archivos
de programa\Ucinet6\manual. Esta dirección nos indica el directorio en
el que estamos trabajando, y en el que por defecto guardará los
archivos. Para definir otra carpeta o directorio se debe hacer click
en el icono de la derecha del rectángulo, que abrirá una ventana con
las opciones.
Nuestra primera tarea es, como hemos dicho, crear una matriz en la
cual almacenar la información que de que disponemos en la tabla 2.
Para eso activaremos la función “Spreadsheet” (el segundo icono desde
la izquierda):
Figura 4

Al activarlo, se abre la pantalla que nos permitirá introducir los
datos en la matriz. Como podemos observar en la figura 5, se trata de
un formato similar al de una hoja de cálculo.
Figura 5

En el extremo derecho de la barra de tareas se encuentra un botón con
la leyenda “Asymmetric Mode”. Como su nombre lo indica, significa que
la matriz está preparada para introducir datos no simétricos, es decir
datos en los que el vínculo va en una sola dirección. Por ejemplo,
este sería el caso si estuviéramos analizando la relación “Prestar
dinero a”. Que A preste dinero a B no implica que B preste dinero a A.
Es una relación no simétrica. Por el contrario, la relación que
analizamos en este ejemplo sí es simétrica. Que A conozca a B implica
que B conoce a A. Por lo tanto, al ingresar un valor para la relación
entre AB, se repite el mismo valor para la relación BA. Recordemos
que cuando precisábamos el significado de la propiedad relacional
“conocer a”, afirmamos que evitábamos en este caso hacer referencia a
otras propiedades como la de la amistad, que puede resultar un caso
dudoso entre relación simétrica y asimétrica. Pero, en nuestro caso, y
tal y como ha sido definida la propiedad, no cabe duda de que la
relación “conocer a” es simétrica.
Antes de continuar con la introducción de datos en la matriz es
conveniente realizar una aclaración sobre los tipos de vínculos. Los
lazos o vínculos pueden ser orientados o no orientados, según los
ejemplos mencionados en el párrafo anterior (conocimiento como una
relación no orientada, prestar dinero como una relación orientada).
Pero, por otra parte, también pueden ser o binarios o ponderados. Son
binarios cuando medimos la ausencia o presencia de la relación. En el
caso que estamos analizando, si dos personas se conocen previamente le
damos el valor 1 y si no, 0. Pero también podríamos querer valorar el
tipo de relación que tienen dos personas, ponderando el vínculo, por
ejemplo, entre 0 si no hay conocimiento, 1 si son apenas conocidos, 2
si son conocidos con una relación continuada, 3 si son amigos y 4 si
son amigos muy cercanos. A lo largo de este ejemplo sólo trabajaremos
con vínculos no orientados y binarios, pero es importante recordar que
se pueden utilizar también vínculos orientados y vínculos ponderados,
y que dentro de estos existe una gran pluralidad variantes.2
Dado que, como hemos dicho, en nuestro ejemplo los vínculos no son
orientados, cambiaremos la función a “Symmetric Mode”. Al hacer click
en el botón “Assymetric Mode” cambia el modo de la matriz:
Figura 6

Introduciremos a continuación los encabezados de las filas y las
columnas. Al ser una matriz de modo simétrico, al ingresar un nombre
en una fila completará el nombre en la columna correspondiente al
mismo tiempo. Para ingresar los nombres, simplemente lo escribimos en
la celda coloreada que se encuentra al costado de cada número, en las
filas o debajo, en las columnas. Una vez introducido, apretamos la
tecla “Enter”:
Figura 7

Hemos introducido ya los nodos de la red que queremos analizar. A
continuación introduciremos los valores de la relación. Así, sobre la
base de los datos de la tabla 2, volcaremos la información
correspondiente a cada par de personas. Introduciremos un 1 si hay
relación y dejaremos la celda en blanco si no la hay:
Figura 8

Una vez completa nos ubicaremos en la última celda (en este caso, en
la intersección de la columna 17 con la fila 17) y desde allí haremos
click con el ratón en el icono “fill”. De esta manera, se completarán
con ceros el resto de las celdas de la matriz:
Figura 9

Hemos completado así la matriz con las relaciones. La guardaremos con
el nombre “estudiantes” (a partir del menú File< save as<).
A continuación crearemos dos nuevas matrices, en las que almacenaremos
los datos atributivos de la tabla 1 (sexo y carrera a la que
pertenecen los estudiantes). Recordemos que los datos atributivos son
propiedades individuales, y por lo tanto no relacionales, de los nodos
que son objeto de nuestro análisis. Para ellos, abriremos la matriz
que acabamos de crear (File< open < estudiantes.##h) y realizaremos
nuevamente la operación “save as”. Llamaremos “carrera” a este nuevo
fichero ( File< save as< carrera).
Introduciremos en esta matriz (carrera.##h) los datos correspondientes
a la carrera universitaria que estudian los alumnos de la clase. Para
aprovechar el listado de los nombres, eliminaremos la información de
las columnas. Seleccionamos con el ratón las 17 columnas y apretamos
la tecla “Suprimir” o “Delete”:
Figura 10

Una vez borrada la información de las columnas, cambiaremos el modo de
la matriz a “Asymmetric Mode” (esta matriz ya no será cuadrada como la
anterior, sino que tendrá 17 filas y 1 columna). Escribimos en el
encabezado de la columna 1 (en la zona coloreada debajo del número 1)
“carrera” (sin las comillas). Introduciremos en esa columna la
información codificada de la siguiente manera: 1 para los estudiantes
de antropología, 2 para los de arqueología, 3 para los de sociología y
4 para los de psicología social:
Figura 11

Guardamos la matriz (click en el botón “OK”). Elegimos “yes” en la
opción guardar cambios:
Figura 12

A continuación, abrimos la matriz que acabamos de crear (File< open<
carrera.##h) y la guardamos con el nombre “sexo” (File< save as<
sexo). Realizamos sobre esta matriz la misma operación que en el caso
anterior (borramos la columna 1) y escribimos como encabezado de la
misma “sexo” (sin comillas) e introducimos la información codificada
de la siguiente manera: 1 para varones y 2 para mujeres:
Figura 13

Cerramos la matriz (click en botón “Ok”) y guardamos los cambios.
Hemos ingresado ya toda la información que utilizaremos.
Graficar una red con NetDraw1
A continuación, veremos la representación gráfica de la primera matriz
que hemos creado, la que resume la información sobre las relaciones
existentes entre los estudiantes.
Una vez cerrada la función “Spreadsheet”, regresamos a la pantalla
inicial de UCINET 6. Allí hacemos un click sobre el icono que abre el
programa NetDraw (el séptimo icono contando desde la izquierda):
Figura 14

Se abre así una ventana con el programa NetDraw. Este programa se
utiliza para visualizar gráficamente redes sociales. Veremos
representada en grafos la matriz que hemos introducido. Para ello,
abriremos la matriz “estudiantes.##h” que hemos creado anteriormente.
Hacemos click en el icono “open ucinet network dataset” (el segundo
desde la izquierda)
Figura 15

Elegimos la matriz con la que trabajaremos (estudiantes.##h):
Figura 16

Al abrirla obtenemos el siguiente gráfico:
Figura 17

Vemos representadas gráficamente las relaciones que habíamos
introducido en la matriz. Así, por cada par de personas que habíamos
conectado en la matriz (mediante el 1 que señalaba la relación)
observamos un vínculo que une los dos nodos. Como se trata de una
relación no orientada, cada grafo tiene una doble flecha (Hugo conoce
a Liliana y Liliana conoce a Hugo). Un grafo no orientado también se
representa como un segmento que une dos nodos, sin ninguna flecha que
indique dirección.
Esta red sociométrica3 nos presenta una fotografía de las relaciones
que existen al interior de un grupo (la clase, en este caso). A simple
vista podemos observar que existen individuos más conectados que
otros, que existen subgrupos dentro de la red, etc. Podríamos
entonces intentar establecer hipótesis acerca de las relaciones
existentes. Por ejemplo, podríamos inducir que las personas que cursan
las mismas carreras se relacionan más entre sí que las de carreras
diferentes. Para ello, necesitamos complementar la información con los
datos atributivos que hemos recopilado.
Para ello, superpondremos la matriz que contiene la información sobre
las carreras a la matriz que representaba las relaciones de
conocimiento y que ya hemos realizado. La operación es muy sencilla.
Abrimos la matriz de atributos (haciendo click en el tercer icono
desde la izquierda “open UCINET attibute dataset”) y seleccionamos el
fichero “carrera.##h”:
Figura 18

A continuación introduciremos los atributos en la red, haciendo click
sobre el cuarto icono de la barra de tareas, contando desde la
derecha:
Figura 19

Se desplegará una nueva pantalla, en la que seleccionaremos el
atributo “carrera”:
Figura 20

Veremos los cuatro códigos que hemos introducido para las carreras,
cada uno de ellos asociado a un color diferente. Si quisiéramos
cambiar el color adjudicado a alguno, sólo hay que hacer click sobre
el rectángulo de color que se encuentra a la izquierda del código y
seleccionar el color que deseamos en la paleta que se despliega. En
este caso, cambiaremos el color correspondiente al código 2, de negro
a verde:
Figura 22

Una vez efectuado el cambio, hacemos click sobre el botón “Aceptar”.
Vemos entonces que a cada persona le corresponde el color de la
carrera que está estudiando: rojo para antropología, verde para
arqueología, azul para sociología y gris para psicología social.
Figura 23


A continuación, introduciremos los datos correspondientes al sexo,
utilizando formas diferentes para los nodos, según representen hombres
o mujeres. Introducimos entonces la matriz correspondiente al sexo
(icono de datos atributivos, presentado en la figura 18), sexo.##h. Y
seleccionamos la función “Choose node shapes according to attribute
values” (tercer icono contando desde la izquierda):
Figura 24

Se abrirá una ventana similar a la que utilizamos para definir los
colores. Seleccionamos el atributo “sexo”. Un consejo: si en el menú
desplegable (“select attibute”) no vemos el atributo que queremos
introducir, debemos descender hacia el final de la ventana, hasta
encontrarlo.
Figura 25

A continuación seleccionaremos un triángulo para identificar a los
hombres (codificados con el valor “1”) y un círculo para identificar a
las mujeres (codificadas con el valor “2”):
Figura 26


De esta manera hemos introducido los dos atributos en la red. Y
obtenemos el siguiente resultado:
Figura 27

Hemos conseguido una descripción más detallada de la red de
interacciones. Como podemos observar en la figura 27, existen
subgrupos en el interior de nuestra red, y personas con más
conexiones que otras. Así, los que cursan la carrera de antropología
(marcados en rojo) se conocían todos entre sí antes de iniciar el
curso. Lo mismo pasa con los estudiantes de psicología social (nodos
grises) y los de sociología (nodos azules). Sin embargo, no sucede lo
mismo con los estudiantes de arqueología (verde), entre los que
podemos observar dos grupos diferenciados. Por el contrario, no parece
haber ningún patrón diferenciado de relación entre hombres y mujeres.
En lo que hace a las personas, algunos estudiantes sólo conocen a una
o dos personas del grupo, mientras que otras (como Andrés o Joan)
conocen a mucha gente. Pero para saber con certeza cuáles son las
características de esta red, recurriremos al cálculo de las medidas de
centralidad, a fin de realizar una primera aproximación al análisis de
esta red social. Antes de pasar a esta sección, exportaremos la imagen
de la red que hemos obtenido, para poder utilizarla posteriormente.
Para ello, desde la función “File” de la barra de menús seleccionamos
la función “Save diagram as” y luego el formato que elijamos (en este
caso, “Bitmap”)
Figura 28


La guardaremos con el nombre “redestudiantes”. Para concluir la
primera parte de la práctica, crearemos un documento en Word (con el
nombre “informe práctica.doc”), e insertaremos la imagen que hemos
creado (Insertar < imagen< desde archivo):
Figura 29


Seleccionamos la imagen a insertar (“redestudiantes”), y guardamos los
cambios realizados en el informe:
Figura 30


Medidas de centralidad
Como señala Hanneman (op.cit.),
La perspectiva de redes implica tener en cuenta múltiples niveles de
análisis. Las diferencias entre los actores son interpretadas en base
a las limitaciones y oportunidades que surgen de la forma en que éstos
están inmersos en las redes; la estructura y el comportamiento de las
redes está basado en y activado por las interacciones locales entre
los actores. (...) Las diferencias en cómo los individuos están
conectados puede ser extremadamente útil para entender sus atributos y
comportamiento. Muchas conexiones significan a menudo que los
individuos se exponen todavía a más y más diversa información. (cap V:
p. 3)
Podemos realizar una primera aproximación a la estructura de una red
social mediante el análisis de tres medidas de centralidad: rango (degree),
grado de intermediación (betweenness) y cercanía (closeness). Por
medida de centralidad se entiende un conjunto de algoritmos calculado
sobre cada red que nos permite conocer la posición de los nodos en el
interior de la red y la estructura de la propia red. Veamos qué
significa cada una de estas medidas, cómo se calculan y cómo se
interpretan.
Rango (degree)
El rango es el número de lazos directos de un actor (o nodo), es decir
con cuántos otros nodos se encuentra directamente conectado. Si
volvemos a la figura 23, por ejemplo, podemos observar que Martha está
conectada a dos personas: Mariano y Pau. Su rango, entonces es 2.
Andrés, en cambio, conoce a seis personas: su rango es 6. En este caso
es sencillo calcularlo a simple vista. Pero para trabajar con mayor
precisión, utilizaremos UCINET 6. Desde el menú “Network”
seleccionaremos la función “Centrality” y luego “Degree”:
Figura 31


En la pantalla que se despliega seleccionaremos la matriz que contiene
los datos que queremos analizar. En este caso, analizaremos la matriz
“estudiantes.##h”, la que contiene la información sobre las relaciones
de conocimiento entre los estudiantes de la clase. Para ello, haremos
click con el ratón en el botón de la fila “imput dataset” (marcado con
tres puntos):
Figura 32


Una vez seleccionada la matriz obtenemos la siguiente pantalla:
Figura 33


La primera fila (“Input dataset”) indica el fichero que utilizará para
calcular el rango. La segunda fila (“Treat data as symmetric”)
pregunta si se trata de una matriz simétrica (la relación de AB vale
para BA) o no. En este caso, la respuesta es “sí”. La tercera fila
(Include diagonal values?) pregunta si debe tener en cuenta los
valores de la diagonal (la relación entre A y A, B y B, C y C, etc.),
y responderemos “no”. La cuarta fila informa con qué nombre se
guardarán los resultados, en el directorio que tengamos
predeterminado. Haciendo click en el icono de los tres puntos, se
puede definir otro directorio y modificar el nombre del archivo con
los datos de salida si así lo deseamos. Una vez realizados los cambios
que queremos hacer, hacemos click en “aceptar”. Obtenemos la siguiente
pantalla:
Figura 34


Vemos la lista de todos los nodos de la red, ordenados de mayor rango
(más número de conexiones) a menor rango (menor número de conexiones).
Se reproduce a continuación la información obtenida en las tres
primeras columnas:
Tabla 3

Degree
NrmDegree
Andrés
6.0
37.500
Pau
5.0
31.250
José
5.0
31.250
Joan
4.0
25.000
Carlos
3.0
18.750
Dolors
3.0
18.750
Carmen
3.0
18.750
María
3.0
18.750
Carme
2.0
12.500
Nuria
2.0
12.500
Carol
2.0
12.500
Mariano
2.0
12.500
Xavi
2.0
12.500
Julio
2.0
12.500
Martha
2.0
12.500
Liliana
1.0
6.250
Hugo
1.0
6.250
La columna “Nrmdegree” indica el rango normalizado, es decir, el
porcentaje de conexiones que tiene un nodo sobre el total de la red.
El análisis del rango nos indica que la persona más conectada en este
grupo, la de mayor centralidad, es Andrés, y que Liliana y Hugo son
los menos centrales, con un rango de 1 cada uno. Podríamos suponer que
Andrés es la persona que controla mayor cantidad de información. El
rango puede ser considerado una medida que permite acceder al índice
de accesibilidad a la información que circula por la red. Si, por
ejemplo, en el interior del grupo circularan ciertos rumores, los
actores con un rango más alto tendrán mayores probabilidades de
escucharlos y difundirlos. El rango también puede ser interpretado
como el grado de oportunidad de influir o ser influido por otras
personas en la red.4 Pongamos por ejemplo el caso de la red que
estamos analizando. Supongamos que nos interesa realizar algunas
modificaciones en el dictado de la asignatura o que queremos conocer
la valoración de los estudiantes sobre su desarrollo. En este caso
Andrés (con un rango de 6, el más alto de la red) parece ser un buen
informante, alguien que tiene acceso a bastante información de la que
circula por el grupo. Podemos utilizar el rango también, por ejemplo,
como un método de selección de personas para entrevistas o
negociaciones.
Pero debemos complementar este análisis con las otras medidas de
centralidad, para obtener un panorama más completo. Antes de hacerlo,
nos referiremos a los estadísticos descriptivos que acompañan la
información:
Figura 35


Los estadísticos descriptivos brindan información sobre los valores
que tomó el rango en el conjunto de la red. Vemos que el rango
promedio de la red (“Mean”) es 2.824, y que los valores oscilan entre
1 y 6 (la menor y mayor cantidad de lazos).
Incorporaremos esta información al informe de la práctica, de manera
muy sencilla: seleccionamos con el ratón el texto y seleccionamos la
función “copiar” (Edit< copy). Pegamos la información en el informe en
Word que estamos elaborando (Edición< pegar).
Figura 36


Grado de intermediación (betweenness)
El grado de intermediación indica la frecuencia con que aparece un
nodo en el tramo más corto (o geodésico) que conecta a otros dos. Es
decir, muestra cuando una persona es intermediaria entre otras dos
personas del mismo grupo que no se conocen entre sí (lo que podríamos
denominar “persona puente”). Veamos cuáles son los valores para el
grado de intermediación en nuestra red para localizar un ejemplo.
Para calcular el grado de intermediación seleccionamos el menú
Network< Centrality< betweenness< nodes:
Figura 37

En la pantalla que se despliega elegimos la matriz que contiene los
datos que vamos a analizar (“estudiantes.##h”) y hacemos click en el
botón “ok”:
Figura 38

Obtenemos como resultado el valor del grado de intermediación de cada
nodo, ordenados de mayor a menor:
Figura 39

Se reproducen a continuación los resultados obtenidos:
Tabla 4
Betweenness
nBetweenness
Andrés
39.0
32.5
José
34.0
28.3
Joan
25.5
21.2
Pau
24.5
20.4
Carlos
24.0
20.0
Dolors
12.0
20.0
Carmen
1.5
10.0
María
0.5
1.2
Carme
0.0
0.4
Hugo
0.0
0.0
Carol
0.0
0.0
Liliana
0.0
0.0
Mariano
0.0
0.0
Julio
0.0
0.0
Nuria
0.0
0.0
Martha
0.0
0.0
Xavi
0.0
0.0
Andrés y José son las personas con un mayor grado de intermediación.
Si observamos la figura 23 vemos que Andrés es la persona que conecta
al grupo de los antropólogos con uno de los grupos de los arqueólogos
(el formado por Carlos, Carme y Carol) y José conecta al grupo de los
estudiantes de psicología social con los de antropología. Pero Joan,
Pau y Carlos también tienen valores altos de grado de intermediación.
La relación entre Joan y Pau permite conectar tres grupos:
arqueólogos, antropólogos y psicólogos sociales. En el caso de Carlos,
su relación con Andrés vincula a Carol y Carme con un grupo mayor. Si
esa relación se rompiese, el grupo quedaría aislado.
Realizaremos la misma operación que en el caso del rango:
seleccionaremos los resultados obtenidos y con la función “copiar”
(ver figura 36) incorporaremos la información en el documento del
informe.
Cercanía (closenness)
El grado de cercanía indica la cercanía de un nodo respecto del resto
de la red. Representa la capacidad que tiene un nodo de alcanzar a los
demás. Veremos su interpretación a partir de un ejemplo.
Para calcularlo, procederemos de la misma manera que en las dos
medidas de centralidad anteriores, es decir, a partir del menú
“Network” (network< centrality< closenness):
Figura 40

Seleccionamos el archivo a analizar y damos click en el botón “ok”:
Figura 41

El resultado de la operación, al igual que en los casos anteriores, es
la lista ordenada de los valores de cercanía, y también el de su
opuesto, lejanía (farness):
Figura 42

Se reproducen a continuación los resultados:
Tabla 5
Farness
Closeness
Andrés
59.0
27.11
Joan
60.0
26.66
Pau
62.0
25.80
Dolors
63.0
25.39
José
64.0
25.00
Carmen
64.0
25.00
Julio
67.0
23.88
Carlos
68.0
23.52
Mariano
74.0
21.62
Martha
74.0
21.62
Maria
75.0
21.33
Nuria
76.0
21.05
Xavi
76.0
21.05
Carme
80.0
20.0
Carol
80.0
20.0
Liliana
256.0
6.25
Hugo
256.0
6.25
Al igual que en las dos medidas de centralidad anteriormente
analizadas, Andrés es la persona de la red que cuenta con un grado de
cercanía más grande. Tiene una mayor capacidad para acceder al resto
de los nodos de la red. Sin embargo, los resultados para el resto de
las personas no son iguales a los obtenidos en las mediciones
anteriores. Si volvemos a los resultados de las tabla 3, vemos que,
por ejemplo, Dolors tenía el mismo rango que Carlos, Carmen y María
(conocían a tres personas cada uno). Sin embargo, el grado de cercanía
de Dolors es mayor que el de ellos. No sólo es importante el número de
personas que conoces, sino quiénes son esas personas, cuál es su grado
de conexiones. Si observamos la figura 23, vemos que Dolors conoce a
Andrés y a José, las dos personas con mayor grado de cercanía de toda
la red. De esta manera, su probabilidad de acceder al resto de los
nodos es más alta. “[U]na persona poco conectada con el resto (baja
centralidad, bajo grado de intermediación) por el solo hecho de estar
conectada con una persona ‘importante’ puede tener una alta cercanía”
(Molina, op.cit: p. 79).
Finalizaremos ahora el ejercicio, copiando los resultados y
llevándolos al informe que hemos elaborado.
Conclusiones
En esta introducción al análisis de redes sociales se han mostrado los
principales conceptos que utiliza esta herramienta para construir
hipótesis sobre diversos factores que determinan la estructura de las
relaciones sociales (en cualquier grupo preseleccionado).
Así mismo, se ha facilitado un manual de uso de algunas aplicaciones
básicas de dos programas de tratamiento informático de datos
reticulares, que nos ayudarán a representar gráficamente las
estructuras que pretendemos analizar y facilitarán nuestra elaboración
de hipótesis.
El análisis de redes sociales es un método de análisis científico que
puede ser de gran utilidad para conocer los patrones de relaciones que
se establecen en el interior de una determinada estructura social. Se
ha visto aquí una breve introducción a un método más complejo y
sofisticado. Nacido embrionariamente en los años treinta del siglo XX,
y desarrollado profundamente gracias al impulso de la informática,
este método de estudio se ha situado hoy a la par de otras
metodologías utilizadas en ciencias sociales.
1 Hanneman, Robert A., Introducción a los métodos de análisis de redes
sociales. Departamento de Sociología de la Universidad de California
Riverside. http://wizard.ucr.edu/~rhannema/netwprks/text/textindex.html
Versión en castellano en http://www.redessociales.net/materiales.
Molina, José Luis (2001), El análisis de redes sociales. Una
introducción. Barcelona: Edicions Bellaterra.
Wasserman, Stanley and Faust, Katherine (1994), Social network
Analysis. Methods and Applications. Cambridge University Press.
2 Para más información sobre los tipos de vínculos y las escalas de
medida, véase Hanneman, op.cit, cap 1:1722.
3 Una red sociométrica o red completa mide las relaciones entre todos
los actores de un grupo determinado. En este caso, vemos todas las
relaciones de conocimiento o amistad que se establecen en el interior
del grupo que estamos analizando. Pero una red también puede ser
egocéntrica o personal, donde mediríamos todas las relaciones a partir
de una persona (ego), por ejemplo, todos los amigos de Andrés al
interior de la clase. En ese caso no tendríamos en cuenta las
relaciones que existen entre sus amigos, sino sólo la relación que
tienen con Andrés. También es posible combinar ambos tipos de redes.
Para más información sobre este tema, véase el capítulo 2 de Wasserman
y Faust, op.cit.
4 Véase Borgatti, Steve, “Conceptos de Centralidad”, en
www.redessociales.net/talleres
44