1.4: Escalas de Medición

Al igual que otros tipos de datos, la información que recopilamos sobre los vínculos entre actores se puede medir (es decir, podemos asignar puntuaciones a nuestras observaciones) en diferentes “niveles de medición”. Los diferentes niveles de medición son importantes porque limitan los tipos de preguntas que pueden ser examinadas por el investigador. Las escalas de medición también son importantes porque diferentes tipos de escalas tienen diferentes propiedades matemáticas, y requieren diferentes algoritmos para describir patrones y probar inferencias sobre ellos.

Es convencional distinguir los niveles de medición nominales, ordinales e intervalos (el nivel de relación puede, para todos los fines prácticos, agruparse con intervalo). Sin embargo, es útil dividir aún más la medición nominal en variaciones binarias y multicategorias; también es útil distinguir entre medidas ordinales de rango completo y medidas ordinales agrupadas. Describiremos brevemente todas estas variaciones y proporcionaremos ejemplos de cómo se aplican comúnmente en los estudios de redes sociales.

Medidas binarias de las relaciones: Con mucho, el enfoque más común para escalar (asignar números a) las relaciones es simplemente distinguir entre las relaciones que están ausentes (codificado cero), y los lazos que están presentes (codificado uno). Si pedimos a los encuestados en una encuesta que nos digan “¿qué otras personas de esta lista te gustan?” estamos haciendo medición binaria. Cada persona de la lista que se selecciona se codifica una. Aquellos que no son seleccionados están codificados a cero.

Gran parte del desarrollo de la teoría gráfica en matemáticas, y muchos de los algoritmos para medir propiedades de actores y redes han sido desarrollados para datos binarios. Los datos binarios son tan ampliamente utilizados en el análisis de redes que no es inusual ver datos que se miden a un nivel “superior” transformados en puntuaciones binarias antes de que continúe el análisis. Para ello, uno simplemente selecciona algún “punto de corte” y vuelve a anotar casos como debajo del punto de corte (cero) o por encima de él (uno). Dichotomizar datos de esta manera es desechar información. El analista necesita considerar lo que es relevante (es decir, ¿de qué se trata la teoría? ¿se trata de la presencia y el patrón de los lazos, o de las fortalezas de los lazos?) , y qué algoritmos se van a aplicar para decidir si es razonable recodificar los datos. Muy a menudo, el poder adicional y la simplicidad del análisis de datos binarios “vale” el costo en la información perdida.

Medidas nominales de relaciones de categoría múltiple: Al recopilar datos, podríamos pedir a nuestros encuestados que miren una lista de otras personas y nos dicen: “para cada persona en esta lista, seleccione la categoría que mejor describa su relación con ellos: amigo, amante, relación de negocios, parentesco, o ninguna relación”. Podríamos calificar a cada persona de la lista como teniendo una relación de tipo “1" tipo “2" etc. Este tipo de escala es nominal o cualitativa — la relación de cada persona con el sujeto está codificada por su tipo, más que por su fuerza. A diferencia de los datos nominales binarios (verdadero-falso), la medida nominal de categoría múltiple es de opción múltiple.

El enfoque más común para analizar medidas nominales de categoría múltiple es usarlo para crear una serie de medidas binarias. Es decir, podríamos tomar los datos que surjan de la pregunta descrita anteriormente y crear conjuntos separados de puntajes para lazos de amistad, para lazos de amante, para lazos de parentesco, etc. Esto es muy similar a la “codificación ficticio” como una forma de manejar tipos de medidas de elección múltiple en el análisis estadístico. Al examinar los datos resultantes, sin embargo, hay que recordar que a cada nodo se le permitió tener un empate en como máximo una de las redes resultantes. Es decir, una persona puede ser una corbata de amistad o una corbata de amante —pero no ambas— como resultado de la forma en que hicimos la pregunta. Al examinar las redes resultantes, las densidades pueden ser artificialmente bajas, y habrá una correlación negativa inherente entre las matrices.

Este tipo de datos de opción múltiple también se pueden “binarizar”. Es decir, podemos ignorar qué tipo de empate se reporta, y simplemente codificar si existe un empate para una díada, o no. Esto puede estar bien para algunos análisis, pero sí desperdicia información. También se podría considerar que los tipos de vínculos reflejan alguna dimensión continua subyacente (por ejemplo, la intensidad emocional). Los tipos de ataduras pueden entonces ser escalados en una sola medida ordinal agrupada de la fuerza del lazo. El escalamiento, por supuesto, refleja las predisposiciones del analista —no los informes de los encuestados—.

Medidas ordinales agrupadas de relaciones: Una de las primeras tradiciones en el estudio de las redes sociales pidió a los encuestados que calificaran a cada uno de un conjunto de otros como “gustado” “disgustado” o “neutral”. El resultado es una escala ordinal agrupada (es decir, puede haber más de una persona “me gusta”, y las categorías reflejan un orden de rango de intensidad subyacente). Por lo general, este tipo de escala de tres puntos se codificó -1, 0 y +1 para reflejar el gusto negativo, la indiferencia y el gusto positivo. Cuando se puntúa de esta manera, las ventajas y los inconvenientes hacen que sea bastante fácil escribir algoritmos que contarán y describirán varias propiedades de red (por ejemplo, el equilibrio estructural de la gráfica).

Las medidas ordinales agrupadas se pueden utilizar para reflejar una serie de diferentes aspectos cuantitativos de las relaciones. Los analistas de redes a menudo se preocupan por describir la “fuerza” de los lazos. Pero, “fuerza” puede significar (algunas o todas) una variedad de cosas. Una dimensión es la frecuencia de interacción: ¿los actores tienen contacto diario, semanal, mensual, etc. Otra dimensión es la “intensidad”, que generalmente refleja el grado de excitación emocional asociado con la relación (por ejemplo, los lazos de parentesco pueden ser poco frecuentes, pero llevan una alta “carga emocional” debido a la alta expectativas ritualizadas e institucionalizadas). Se puede decir que los lazos son más fuertes si involucran muchos contextos o tipos de vínculos diferentes. Sumar datos nominales sobre la presencia o ausencia de múltiples tipos de ataduras da lugar a una escala ordinal (en realidad, intervalo) de una dimensión de fuerza de amarre. También se dice que los lazos son más fuertes en la medida en que son recíprocos. Normalmente evaluaríamos la reciprocidad pidiéndole a cada actor en una díada que denunciara sus sentimientos hacia el otro. No obstante, también se podría pedir a cada actor sus percepciones del grado de reciprocidad en una relación: ¿Dirías que a ninguno de los dos se gusta mucho, que te gusta X más que a X le gustas, que a X le gustas más de lo que a ti te gusta X, o que ambos se gustan por igual?

Las escalas ordinales de medición contienen más información que la nominal. Es decir, las puntuaciones reflejan gradaciones más finas de fuerza de empate que la simple “presencia o ausencia” binaria. Esto parecería ser algo bueno, sin embargo, con frecuencia es difícil aprovechar los datos ordinales. Los algoritmos más utilizados para el análisis de redes sociales han sido diseñados para datos binarios. Muchos se han adaptado a datos continuos, pero para intervalos, en lugar de escalas de medición ordinales. Los datos ordinales, en consecuencia, a menudo se binarizan eligiendo algún punto de corte y re-puntuación. Alternativamente, los datos ordinales a veces se tratan como si realmente fueran intervalos. La primera estrategia tiene algunos riesgos, ya que las elecciones de puntos de corte pueden ser consecuentes; la segunda estrategia tiene algunos riesgos, ya que los intervalos que separan puntos en una escala ordinal pueden ser muy heterogéneos.

Medidas ordinales de relaciones de rango completo: A veces es posible anotar la fuerza de todas las relaciones de un actor en un orden de rango de más fuerte a más débil. Por ejemplo, podría pedirle a cada encuestado que escriba un “1" junto al nombre de la persona de la clase que más le guste, un “2" junto al nombre de la persona que más le guste, etc. El tipo de escala que resultaría de esto sería una “escala de orden de rango completo”. Tales escalas reflejan diferencias en el grado de intensidad, pero no necesariamente diferencias iguales —es decir, la diferencia entre mi primera y segunda elección no es necesariamente la misma que la diferencia entre mi segunda y tercera elección. Cada relación, sin embargo, tiene una puntuación única (1ª, 2ª, 3ª, etc.).

Las medidas ordinales de rango completo son algo infrecuentes en la literatura de investigación de redes sociales, como lo son en la mayoría de las otras tradiciones. En consecuencia, hay relativamente pocos métodos, definiciones y algoritmos que aprovechen de manera específica y completa la información en tales escalas. Más comúnmente, las medidas ordinales de rango completo se tratan como si fueran intervalos. Probablemente hay algo menos riesgo en tratar las medidas completamente ordenadas por rango (en comparación con las medidas ordinales agrupadas) como si fueran intervalos, aunque la suposición sigue siendo riesgosa. Por supuesto, también es posible agrupar las puntuaciones de orden de clasificación en grupos (es decir, producir una escala ordinal agrupada) o dicotomizar los datos (por ejemplo, las tres opciones principales podrían tratarse como vínculos, el resto como no vínculos). Al combinar información sobre múltiples tipos de vínculos, con frecuencia es necesario simplificar las escalas de orden de rango completo. Pero, si tenemos una serie de escalas de orden de rango completo que tal vez deseemos combinar para formar una escala (es decir, clasificaciones de las semejanzas de las personas con otras en el grupo, frecuencia de interacción, etc.), la suma de tales escalas en un índice se trata plausiblemente como una verdadera medida de intervalo.

Medidas de intervalo de relaciones: El nivel de medición más “avanzado” nos permite discriminar entre relaciones reportadas de formas que nos permiten afirmar válidamente que, por ejemplo, “este empate es el doble de fuerte que ese empate”. Los lazos se clasifican en escalas en las que la diferencia entre un “1" y un “2" refleja la misma cantidad de diferencia real que entre “23" y “24”.

Las verdaderas medidas de nivel de intervalo de la fuerza de muchos tipos de relaciones son bastante fáciles de construir, con un poco de imaginación y persistencia . Sin embargo, pedir a los encuestados que informen los detalles de la frecuencia o intensidad de los vínculos por métodos de encuesta o entrevista puede ser poco confiable, particularmente si las relaciones que se están rastreando no son muy destacadas e infrecuentes. En lugar de preguntar si dos personas se comunican, se podría contar el número de entregas de correo electrónico, teléfono y correo entre oficinas entre ellas. En lugar de preguntar si dos naciones comercian entre sí, mire las estadísticas sobre las balanzas de pagos. En muchos casos, es posible construir medidas de nivel de intervalo de fuerza de relación mediante el uso de artefactos (por ejemplo, estadísticas recopiladas para otros fines) u observación.

Las medidas continuas de las fortalezas de las relaciones permiten la aplicación de una gama más amplia de herramientas matemáticas y estadísticas a la exploración y análisis de los datos. Muchos de los algoritmos que han sido desarrollados por analistas de redes sociales, originalmente para datos binarios, se han ampliado para aprovechar la información disponible en medidas de intervalo completo. Siempre que sea posible, las conexiones deben medirse a nivel de intervalo —ya que siempre podemos pasar a un enfoque menos refinado posteriormente; si los datos se recopilan a nivel nominal, es mucho más difícil pasar a un nivel más refinado.

Aunque es una buena idea medir la intensidad de la relación al nivel más refinado posible, la mayoría de los análisis de redes no operan en este nivel. Los conocimientos más poderosos del análisis de redes y muchas de las herramientas matemáticas y gráficas utilizadas por los analistas de red se desarrollaron para gráficos simples (es decir, binarios, no dirigidos). Muchas caracterizaciones de la incrustación de actores en sus redes, y de las propias redes son más comúnmente pensadas en términos discretos en la literatura de investigación. Como resultado, a menudo es deseable reducir los datos de intervalos pares al nivel binario eligiendo un punto de corte, y codificando la fuerza de unión por encima de ese punto como “1" y por debajo de ese punto como “0”. Desafortunadamente, no hay una sola forma “correcta” de elegir un punto de corte. La teoría y los propósitos del análisis proporcionan la mejor orientación. A veces, examinar los datos puede ayudar (tal vez la distribución de las fuerzas del empate sea realmente discretamente bimodal, y muestre un punto de corte claro; tal vez la distribución es muy sesgada y la característica principal es una distinción entre no empate y cualquier empate). Cuando se elige un punto de corte, es aconsejable considerar también valores alternativos que son algo más altos y más bajos, y repetir los análisis con diferentes puntos de corte para ver si se ve afectada la sustancia de los resultados. Esto puede ser muy tedioso, pero es muy necesario. De lo contrario, uno puede ser engañado para pensar que se ha encontrado un patrón real, cuando solo hemos observado las consecuencias de donde decidimos poner nuestro punto de corte.