4.5: Destacando partes de la red

Las redes grandes (aquellas que contienen muchos actores, muchos tipos de relaciones, y/o altas densidades de lazos) pueden ser muy difíciles de visualizar de alguna manera útil — hay simplemente demasiada información. A menudo, necesitamos despejar parte del “desorden” para ver los patrones principales con mayor claridad.

Una de las características más interesantes de las redes sociales —ya sean pequeñas o grandes— es la medida en que podemos ubicar “subestructuras locales”. Discutiremos este tema un poco más en un capítulo posterior. Destacar o centrar la atención en subconjuntos de nodos en un dibujo puede ser una herramienta poderosa para visualizar subestructuras.

En esta sección, describiremos brevemente algunos enfoques para renderizar dibujos de red que pueden ayudar a simplificar diagramas complejos y localizar subgráficos interesantes (i.e. colecciones de nodos y sus conexiones).

Despejando la maleza

Las estructuras sociales pueden estar compuestas por múltiples relaciones. Bob, Carol, Ted y Alice en nuestro ejemplo anterior son una estructura multiplex de personas conectadas tanto por la amistad como por los lazos conyugales. Los gráficos que muestran todas las conexiones entre un conjunto de nodos pueden ser muy útiles para entender cómo se atan los actores — pero también pueden volverse tan complicados y densos que es difícil ver algún patrón. Hay un par de enfoques que pueden ayudar.

Un enfoque es combinar múltiples relaciones en un índice. Por ejemplo, se podría combinar la información sobre la amistad y los lazos conyugales usando una regla de “y”: si dos nodos tienen tanto una amistad como una corbata conyugal, entonces tienen una corbata; de lo contrario no lo hacen (es decir, si no tienen corbata, o solo un tipo de corbata). Alternativamente, podríamos crear un índice que registre un empate cuando hay un empate de amistad o un vínculo conyugal. Si hubiéramos medido las relaciones con los valores, en lugar de la simple presencia-ausencia, las relaciones múltiples podrían combinarse por suma, resta, multiplicación, división, promediación u otros métodos. UCINET cuenta con herramientas para este tipo de operaciones, que se encuentran en: Transform>Operaciones matriz>dentro del conjunto de datos>agregaciones.

El otro enfoque es simplificar un poco los datos. NetDraw tiene algunas herramientas que pueden ser de alguna ayuda.

En lugar de examinar la información sobre múltiples tipos de vínculos en un diagrama, uno puede mirarlos uno a la vez, o en combinación. Si los datos se han almacenado como un archivo de datos UCINET o NetDraw con múltiples relaciones, entonces el cuadro Opciones>Ver>Relaciones abre un cuadro de diálogo que le permite seleccionar qué relaciones desea mostrar. Supongamos que teníamos un conjunto de datos en el que habíamos registrado los lazos de amistad entre varias personas a intervalos a lo largo de un periodo de tiempo. Al mostrar primero el primer punto temporal, y luego agregar el punto temporal posterior, podemos visualizar la evolución de la estructura de amistad.

No es raro que algunos de los nodos en una gráfica de una red social no estén conectados en absoluto con los demás. Los nodos que no están conectados se llaman “aislados”. Algunos nodos pueden estar conectados a la red por un solo enlace. Estos nodos tipo de “colgantes” del diagrama; se llaman “colgantes”. Una forma de simplificar las gráficas es ocultar aislamientos y/o colgantes para reducir el desorden visual. Por supuesto, esto sí tergiversa la estructura, pero puede permitirnos enfocar más la atención donde está la mayor parte de la acción. NetDraw tiene herramientas de barra de botones y un elemento de menú (Análisis>Aislados) para ocultar estos nodos menos conectados.

Búsqueda y visualización de subestructuras locales

Una de las preguntas comunes en el análisis de redes es si un gráfico muestra varios tipos de “subestructuras”. Por ejemplo, una “camarilla” es una subestructura que se define como un conjunto de nodos donde cada elemento del conjunto está conectado a cada otro miembro. Una red que no tiene camarillas podría ser un lugar muy diferente a una red que tiene muchas camarillas pequeñas, o una que tiene una camarilla y muchos nodos que no forman parte de la camarilla. Analizaremos más de cerca las herramientas UCINET para identificar subestructuras en un capítulo posterior.

NetDraw ha incorporado una serie de herramientas para identificar subestructuras y colorear automáticamente el gráfico para identificarlas visualmente.

Análisis>Components localiza las partes del gráfico que están completamente desconectadas entre sí, y colorea cada conjunto de nodos (es decir, cada uno componente). En nuestro ejemplo Bob-Carol-Ted-Alice, toda la gráfica es un componente, porque todos los actores están conectados. En el ejemplo de las burocracias de bienestar, hay dos componentes, uno compuesto solo por WRO (que no recibe vínculos de ninguna otra organización) y el otro compuesto por los otros nueve nodos. En NetDraw, ejecutar este comando también crea una variable en la base de datos de atributos de nodo, al igual que todos los demás comandos discutidos aquí. Estos atributos se pueden usar para seleccionar casos, cambiar el color, la forma y el tamaño, etc.

Análisis>Bloques y puntos de corte localiza partes de la gráfica que se convertirían en componentes desconectados si un nodo o uno se eliminaron (los bloques son los componentes resultantes; el punto de corte es el nodo que, si se elimina, crearía la desconexión). NetDraw grafica estas subestructuras y guarda la información en la base de datos de nodo-atributo.

Análisis>K-cores localiza partes de la gráfica que forman subgrupos de tal manera que cada miembro de un subgrupo está conectado a N-K del otro miembros. Es decir, los grupos son las estructuras más grandes en las que todos los miembros están conectados a todos menos a algún número (K) de otros miembros. Una “camarilla” es un grupo como este donde todos los miembros están conectados con todos los demás miembros; los grupos “más difusos” o “más sueltos” se crean al aumentar la “K” NetDraw identifica los núcleos K que son creados por diferentes niveles de K, y proporciona gráficos de colores y entradas de base de datos.

Análisis>Subgrupos>Basado en bloques. Lo siento, ¡pero no sé qué hace este algoritmo! Lo más probable es que cree subestructuras que se convertirían en componentes con diferentes cantidades de nodos/relaciones eliminadas.

Análisis>Subgrupos>Clustering Jerárquico de Distancias Geodésicas. La distancia geodésica entre dos nodos es la longitud del camino más corto entre ellos. Un agrupamiento jerárquico de distancias produce un diagrama en forma de árbol en el que los dos nodos que son más similares en su perfil de distancias a todos los demás puntos se unen en un clúster; el proceso se repite una y otra vez hasta que se unen todos los nodos. El gráfico resultante es una forma de entender qué nodos son más similares entre sí, y cómo los nodos pueden clasificarse en “tipos” en función de sus patrones de conexión a otros nodos. El gráfico está coloreado para representar los clústeres, y la información de la base de datos se almacena sobre las membresías del clúster en varios niveles de agregación. Un agrupamiento jerárquico puede ser muy interesante para entender qué grupos son más homogéneos (aquellos que se agrupan en etapas tempranas del agrupamiento) que otros; subiendo el diagrama de árbol de agrupamiento, podemos ver una especie de “mapa de contorno” de la similitud de nodos.

Análisis>Subgrupos>Facciones (seleccionar número). Una “facción” es una parte de una gráfica en la que los nodos están más estrechamente conectados entre sí que con miembros de otras “facciones”. Esta es una idea bastante intuitivamente atractiva de agrupación o subestructura local (aunque, como puedes ver, solo una de esas ideas). NetDraw te pregunta cuántas facciones te gustaría encontrar (¡explora siempre varias posibilidades razonables!). El algoritmo entonces forma el número de grupos que desea al buscar maximizar la conexión dentro, y minimizar la conexión entre los grupos. Los puntos están coloreados, y la información sobre qué nodos caen en qué particiones (es decir, qué casos están en qué facciones) se guarda en la base de datos de atributos de nodo.

Análisis>Subgrupos>Newman-Girvan. Este es otro algoritmo numérico que busca crear clústeres de nodos que estén estrechamente conectados dentro, y menos conectados entre clústeres. El enfoque es el del “modelado de bloques”. Las filas y columnas se mueven para intentar crear “bloques” donde todas las conexiones dentro de un bloque están presentes, y todas las conexiones entre bloques están ausentes. Este algoritmo generalmente producirá resultados similares al algoritmo de facciones. Sin embargo, es importante destacar que el algoritmo Newman-Girvan también produce medidas de bondad de ajuste de la configuración para dos bloques, tres bloques, etc. Esto le permite tener una idea de qué división en bloques es óptima para sus necesidades (no hay una respuesta “correcta”).

Ego Networks (barrios)

Una manera muy útil de entender los complicados gráficos de red es ver cómo surgen de las conexiones locales de actores individuales. La red formada al seleccionar un nodo, incluyendo a todos los actores que están conectados a ese nodo, y todas las conexiones entre esos otros actores se llama la “red del ego” o barrio (de 1 paso) de un actor. La Figura 4.9 es un ejemplo de la red de información de las burocracias de Knoke, donde seleccionamos como nuestro “ego” a la junta de educación.

Figura 4.9. Red Ego de Educ en la red de información Knoke

Observamos que la red del ego de la junta de educación es bastante extensa, y que la densidad de conexión entre los actores de la red del ego es bastante alta. Esto quiere decir que la junta de educación está bastante “incrustada” en una densa subestructura local.

A continuación, agreguemos la red de ego de la agencia “Occidente”, en la figura 4.10.

Figura 4.10. Redes de ego de Educ y West en la red de información Knoke

Las dos redes de ego combinadas dan como resultado una estructura completamente conectada. Observamos que una conexión entre Educ y Coun es mediada por Occidente.

A menudo se puede obtener una visión considerable sobre las redes complicadas “construyéndolas” comenzando con un actor y agregando otros. O bien, uno puede comenzar con toda la red, y ver qué sucede a medida que se eliminan las redes de ego del individuo.

La red de cada actor individual también puede ser de considerable interés. ¿Quién está más conectado? ¿Qué tan densos son los barrios de actores particulares?

NetDraw cuenta con herramientas útiles para visualizar y trabajar con ego-networks. El comando Layout>Egonet presenta un cuadro de diálogo que le permite seleccionar qué redes de ego se van a mostrar. Puedes comenzar con todos los actores y eliminar; o comenzar con actores focales y construir la red completa.