sábado, 17 de noviembre de 2018

Redes de obesidad en niños

Un enfoque de red para entender los ambientes obesogénicos para niños en Pennsylvania


Emily A. Knapp * / Usama Bilal / Bridget T. Burke / Geoff B. Dougherty / Thomas A. Glass


Información de la cita: Connections. VOLUME 38 , ISSUE 1 , ISSN (Online) , DOI: 10.21307/connections-2018-001, July 2018 © 2018.© 2018 Authors

Las redes están en todas partes (Barabasi, 2007, 2012, 2009, 2013). Sin embargo, en materia de salud pública, la ciencia de la red solo ha comenzado a tener importantes avances en las carreteras. Hasta la fecha, la ciencia de la red ha hecho contribuciones en diversas áreas de la investigación biomédica, incluida la comunicación celular en el cáncer (Stites et al., 2007; Berger et al., 2012; Gill et al., 2014; Grupo de trabajo de Mutation Consequences and Pathway Analysis of the International Cancer Genome Consortium, 2015), interacciones proteína-proteína (Jeong et al., 2001) e interacciones complejas de la enfermedad (Barabasi, 2007; Goh et al., 2007; Hidalgo et al., 2009; Zhou et al., 2014). Las características comunes vinculan estas diversas aplicaciones, incluidos datos de alta dimensión y patrones emergentes que no son fácilmente visibles en el espacio bivariado. Las redes representan relaciones entre objetos en un sistema, y ​​los métodos de red ayudan a identificar estructuras que influyen en el comportamiento del sistema.

La obesidad es un desafío para la investigación de salud pública tradicional porque actualmente no tenemos una explicación sólida para los patrones temporales y espaciales de la epidemia de obesidad (Galea et al., 2010). Esto ha llevado a los investigadores de la obesidad a buscar métodos y enfoques alternativos orientados a la ciencia de sistemas (Burke y Heiland, 2007; Huang et al., 2009; Finegood, 2011). La ciencia de redes ha hecho importantes contribuciones en la investigación de la obesidad en varias dimensiones. Primero, los métodos de red se han utilizado para identificar vínculos complejos entre genes relacionados con la obesidad en modelos animales (Chen y Zhang, 2013). En segundo lugar, los investigadores han conceptualizado la "red de respuesta al estrés" para comprender cómo la retroalimentación dentro de los sistemas biológicos conduce a la exacerbación y la habituación que resulta en un crecimiento obesogénico (Dallman et al., 2003, 2006). Los enfoques de red se han utilizado para estudiar las interacciones entre las organizaciones y los componentes de las intervenciones de obesidad (Leroux et al., 2013; Marks et al., 2013), y se han aplicado a diagramas de bucle causal para identificar los puntos de influencia para la intervención (McGlashan et al., 2016 ). Varios estudios se han centrado en cómo la obesidad y la actividad física se propagan a través de poblaciones como la infección (Crandall, 1988; Christakis y Fowler, 2007; Blanchflower et al., 2009; Hammond, 2010; Hill et al., 2010; Ali et al., 2012 ; El-Sayed et al., 2012; Gesell et al., 2012; Simpkins et al., 2013; Hammond and Ornstein, 2014). Otros han examinado cómo la obesidad afecta las relaciones sociales (Brewis et al., 2011; de la Haye et al., 2011; Ali et al., 2012). A pesar de estos avances, la mayoría de los estudios de redes sobre la obesidad se han centrado en la estructura de los vínculos entre individuos conectados a través de vínculos sociales. No tenemos conocimiento de ningún estudio hasta la fecha que se centre en la estructura de los vínculos entre las características del entorno, que se cree que son los principales impulsores de la epidemia de obesidad.

El concepto de "entorno obesogénico" se propuso por primera vez en la década de 1990 como un modelo para evaluar la contribución de los factores ambientales a la obesidad (Hill y Peters, 1998; Swinburn et al., 1999). El entorno obesogénico asume un patrón de características coexistentes espacialmente que influyen conjuntamente en el riesgo de obesidad. Hay pocas dudas de que los aspectos del entorno de los alimentos y la actividad física son importantes, pero la pregunta sobre cómo identificar los patrones de características dentro del entorno de la obesidad sigue sin respuesta. Se necesitan herramientas para examinar las conexiones entre las características del entorno obesogénico. El análisis de red se puede usar para describir las relaciones (enlaces) entre objetos (nodos), lo que permite la caracterización de las características de nivel de red que de otra manera están ocultas. Los métodos de red también nos permiten visualizar estas conexiones, facilitando la comprensión de una epidemia muy compleja y potencialmente priorizando áreas de intervención. En este estudio, caracterizamos el entorno obesogénico con características de la comunidad como nodos y correlaciones entre esas características como enlaces. Una versión de esta metodología se ha utilizado en la investigación neurológica y genética y se conoce comúnmente como "Análisis de red de correlación ponderada" (Fox et al., 2005; Zhang y Horvath, 2005). Nuestro enfoque examina la estructura de las relaciones entre múltiples características de la comunidad, en lugar de examinar cada característica de la comunidad como una causa independiente de obesidad.

La literatura demuestra una fuerte relación entre las características ambientales que afectan la dieta y la actividad física. Sin embargo, los estudios existentes se han centrado en las características individuales relacionadas con la obesidad de forma aislada, la mayoría de las veces se evalúa por sus asociaciones lineales con la obesidad. Ha habido poca atención a la interdependencia de estas características ambientales y cómo se estructuran las relaciones entre las características obesógenas del entorno y pueden crear entornos de riesgo cualitativamente diferentes para la obesidad. Tomamos herramientas de análisis de red para estudiar estas interrelaciones entre las características del entorno y explorar cómo se relacionan con los patrones espaciales de prevalencia de obesidad. Nos guiamos por la visión de que los sistemas de transporte, la variación cultural, los mercados y otras dinámicas del sistema crean grupos de características relacionadas con la obesidad que pueden tener efectos sinérgicos y agregativos en el comportamiento de la población. Las fuerzas del mercado conducen a grupos de restaurantes, tiendas y espacios de actividad en el entorno construido (Hidalgo y Castañer, 2015). Este agrupamiento puede potenciar el efecto de cualquier instalación al aumentar el efecto conjunto de un entorno construido y social diseñado para entregar el exceso de calorías con la máxima eficiencia. Por lo tanto, la agrupación de características y la existencia de nodos de enlace centrales que unen grupos dispares pueden apuntar hacia nuevos objetivos para la investigación y la intervención.

Nuestro objetivo principal es explorar la utilidad de los métodos de análisis de redes para caracterizar los vínculos entre un conjunto de 32 características espacialmente estructuradas del entorno obesogénico. Creamos una red ponderada de características comunitarias de 1,288 comunidades en Pennsylvania, y examinamos la relación entre las medidas de centralidad y agrupamiento y una métrica comúnmente usada de sobrepeso y obesidad infantil (porcentaje de niños con índice de masa corporal (IMC) percentil ≥ 85).

Métodos

Nuestro objetivo fue modelar la red de características hipotéticas relacionadas con la obesidad de los entornos locales para comprender mejor cómo la centralidad de la red y los nodos y la agrupación proporcionan información sobre el papel de los entornos en la obesidad infantil y adolescente.
Datos

Nuestro estudio se basó en datos de un estudio de niños de 1,288 comunidades en el centro y noreste de Pennsylvania atendidos por Geisinger Health System. Desde el sistema de registros médicos electrónicos (EMR) del sistema, recibimos datos de todos los pacientes entre 3 y 18 años que visitaron a un médico de atención primaria de Geisinger entre 2001 y 2012. La muestra incluyó 163,473 niños y 523,674 visitas. La muestra es representativa de la población juvenil en la región (Schwartz et al., 2011). Este estudio fue aprobado por las juntas de revisión institucional de Geisinger Health System y la Escuela de Salud Pública Johns Hopkins.

Los niños fueron asignados previamente a una de las 1.288 comunidades según su domicilio geocodificado. Las comunidades consistían en secciones censales dentro de las ciudades y divisiones civiles menores (municipios y barrios) fuera de las ciudades (Schwartz et al., 2011). De Geisinger EMR obtuvimos medidas longitudinales de altura y peso para niños. Se asumió que los valores de IMC no plausibles, definidos como cinco desviaciones estándar por encima y por debajo de la mediana, eran errores de medición o de entrada de datos y se eliminaron utilizando el programa estándar CDC SAS (Schwartz et al., 2011). Calculamos las puntuaciones z para el IMC individual, la puntuación z estimada media de la comunidad estimada y el porcentaje de niños con sobrepeso u obesos (IMC mayor o igual al percentil 85 por edad y sexo). Luego clasificamos las comunidades según los cuartiles del porcentaje de niños con IMC en o por encima del percentil 85.

Para caracterizar las características del entorno relacionadas con la obesidad, reunimos un corpus de 32 variables con la hipótesis de estar relacionadas con la obesidad según la investigación existente. Estas variables incluyen información demográfica, económica y geográfica de conjuntos de datos disponibles públicamente, incluidos los publicados por el Censo de los EE. UU., La Oficina Federal de Investigaciones, y dos proveedores de datos comerciales, Info USA y Dun & Bradstreet, que proporcionaron registros de alimentos comerciales y físicos. Establecimientos de actividades categorizados utilizando códigos estándares de la industria. La tabla 1 describe las características de la comunidad que estudiamos. Esta lista se seleccionó en función de los atributos que están bien aceptados en la literatura, tienen propiedades de medición aceptables y abarcan una amplia gama de dominios de contenido y relaciones, algunos de ellos relacionados con la actividad física y otros relacionados con la dieta. Este conjunto de variables se ha utilizado en nuestra investigación anterior para caracterizar diversos aspectos del entorno relacionado con la obesidad en las comunidades (Nau et al., 2015). Clasificamos todas las variables en puntajes de quintil o cuartil para preservar la posición de rango de las variables que a menudo están mal distribuidas. Después de revisar las distribuciones de variables y las matrices de correlación de Spearman, Pearson y Phi, elegimos las correlaciones de Spearman como la mejor representación de las distribuciones de variables y la fuerza de las conexiones.


Tabla 1. Características de la comunidad relacionadas con la obesidad incluidas en el análisis de redes.



Métodos de red

Dada la naturaleza compleja de los ambientes obesogénicos, buscamos la manera de caracterizar mejor las relaciones entre las 32 características de la comunidad. Necesitamos respetar tanto las correlaciones por pares (bivariadas) entre las variables como las estructuras que emergen de estas correlaciones por pares. Utilizamos un método análogo al análisis de red de correlación ponderada (Zhang y Horvath, 2005). Generamos una matriz de datos de covariables (32 características de la comunidad relacionadas con la obesidad) que tratamos como nodos en una red de atributos ambientales interconectados. Los enlaces se operacionalizaron como la fuerza de la correlación bivariada entre cada par de atributos. Las correlaciones bivariadas se estimaron utilizando los coeficientes de correlación de Spearman por pares entre las variables de la comunidad. Debido a que estábamos interesados ​​principalmente en la fuerza de los vínculos entre los nodos y existe controversia sobre la dirección de las relaciones entre algunas de estas variables y la obesidad, optamos por utilizar el valor absoluto de la correlación entre las variables.

Todas las 992 correlaciones de pares se convirtieron luego en una matriz de adyacencia no dirigida ponderada donde cada celda era la correlación entre dos variables. Creamos un grafo ponderado a partir de esta matriz de adyacencia utilizando el paquete R iGraph (versión 1.0.1) (Csardi y Nepusz, 2006), especificando las correlaciones de pares como los ponderadores de enlaces. De esta gráfica, obtuvimos cinco conjuntos de resultados.

Primero, trazamos un grafo de red general usando las 1,288 comunidades. Las coordenadas de cada nodo se calcularon utilizando un algoritmo basado en la fuerza, el algoritmo de Fruchterman-Reingold (Fruchterman y Reingold, 1991), donde la atracción entre nodos es proporcional a la fuerza de la correlación entre las características ambientales (nodos). Implementamos la versión del algoritmo en el paquete R qgraph (versión 1.3.2) (Epskamp et al., 2012). El segundo conjunto de resultados representa el mismo grafo estratificado por la carga de obesidad de la comunidad (cuartiles). Para facilitar la interpretación, mostramos grafos correspondientes a los cuartiles 1 y 4 (las comunidades más delgadas y más pesadas, respectivamente (ver Fig. 1 (red general) y Fig. 2 (red estratificada)).

En tercer lugar, con el fin de comprender mejor las relaciones entre los componentes del entorno obesogénico, se buscó obtener una medida de agrupación y estructura de la comunidad que nos permitiera evaluar si la estructura de la red era diferente en las comunidades clasificadas según la prevalencia de la obesidad infantil. Llevamos a cabo un análisis de detección de módulos utilizando el método walktrap (Pons y Latapy, 2005) que realiza una serie de "caminatas aleatorias" entre los nodos. La probabilidad de "caminar" de un nodo a otro es proporcional al peso del enlace entre los nodos, lo que significa que es más probable que ocurra una caminata entre dos nodos altamente correlacionados. Cada nodo está restringido a la membresía en un módulo. Esto crea módulos de variables que están altamente conectados entre sí. Luego calculamos la puntuación de modularidad de red normalizada (Newman, 2006), que cuantifica la fuerza de las conexiones dentro y entre los módulos. Una mayor puntuación de modularidad indica una red con alta conectividad dentro del módulo y baja conectividad entre módulos. Calculamos la puntuación de modularidad para el grafo de red general y cada uno de los cuatro grafos en función de los estratos comunitarios de carga de la obesidad infantil (consulte la Tabla 2). Utilizamos la correlación de pares entre variables (nodos) como un peso en el cálculo de la modularidad. Cuarto, calculamos una medida general de la centralidad de la red al calcular el grado promedio de la red (Barrat et al., 2004). En una red no dirigida ponderada como la nuestra, el grado promedio de red es la media de todas las correlaciones por pares (Barrat et al., 2004). Un grado de red promedio alto representa una red que tiene una correlación general más estrecha entre todos los nodos. Calculamos el grado de red promedio para el grafo de red general y cada uno de los cuatro grafos de red según la prevalencia de obesidad (consulte la Tabla 2).

Tabla 2. Modularidad de la red y grado de red promedio en la red general y por cuartil de prevalencia de obesidad infantil.



En quinto lugar, examinamos la asociación entre la centralidad de un nodo y su correlación con la prevalencia de la obesidad infantil. Para esto, trazamos el grado de centralidad de cada nodo en relación con la correlación de ese nodo con la prevalencia de obesidad infantil (Fig. 3).

Figura 1. Grafo de red para 1,288 comunidades en Pennsylvania. Esto muestra un grafo de la red de conexiones entre atributos de comunidades en 1,288 comunidades en Pennsylvania. Cada nodo en la red representa una característica de las comunidades, y los enlaces en la red son valores absolutos de los coeficientes de correlación de Spearman. La correlación bivariada entre cada variable y la puntuación z promedio del índice de masa corporal (IMC) se muestra mediante el sombreado de cada nodo, con colores más oscuros que representan una correlación absoluta más fuerte con la puntuación z media del IMC de la comunidad. La fuerza de la correlación absoluta entre dos nodos se representa por la oscuridad y el grosor de las líneas que conectan las variables. Una línea gruesa y oscura puede representar una fuerte correlación positiva o negativa. Los módulos de variables altamente conectadas se crearon usando el método walktrap.


Figura 2. Grafos de red para 1288 comunidades en Pennsylvania, por cuartil de porcentaje de niños en o por encima del percentil 85 de BMIz. En las comunidades en el cuartil más bajo del porcentaje de niños con sobrepeso u obesidad (A: izquierda), las características de la comunidad parecen estar menos agrupadas, es decir, ocurren con más frecuencia que en las comunidades en el cuartil más alto de la comunidad BMIz (B : derecho).

 

Figura 3. Asociación de grados de centralidad de cada característica de la comunidad con la prevalencia de sobrepeso y obesidad entre los niños. La correlación entre las características de la comunidad y el índice de masa corporal es más fuerte para las variables más centrales de las características de la red relacionadas con la obesidad (R = 0.51).



Resultados

El propósito de este análisis fue aplicar la metodología de red para caracterizar los patrones de vínculos e interacciones entre las características ambientales relacionadas con la obesidad entre las comunidades en Pennsylvania. La Figura 1 es un grafo de la red de conexiones (correlaciones por pares) entre nodos (características relacionadas con la obesidad) en 1,288 comunidades de Pennsylvania.

El grafo ilustra tres características importantes de la red. Primero, se identificaron tres grupos de variables estrechamente conectadas utilizando el método de la trampa. Se puede ver un conjunto de las tres variables relacionadas con el delito (tasas por 100,000 personas de delitos contra la propiedad, delitos contra personas y todos los delitos de la Parte I) (sombreado verde), y está débilmente vinculado a la red principal. Esto sugiere que las comunidades con altos índices de delitos violentos (es decir, asalto) también tienen altos índices de delitos contra la propiedad (es decir, incendio premeditado). Las tasas de delincuencia parecen estar moderadamente correlacionadas con las tasas de obesidad, como lo indica el color oscuro de los nodos relacionados con la delincuencia. Se identifica un segundo grupo que consta de características que representan patrones de uso de la tierra, transporte y densidad de establecimiento de alimentos (sombreado amarillo). Creemos que esto representa el agrupamiento espacial que se produce en el contexto de la expansión suburbana con la ubicación conjunta de establecimientos en corredores de transporte de gran volumen. Los nodos en el corazón de este grupo incluyen la densidad de hogares (por milla cuadrada) y todos los establecimientos de alimentos por milla cuadrada. Este segundo grupo parece ser el más ajustado. Once de los 14 nodos tienen una correlación absoluta superior a la media con la obesidad. El modelo identificó un tercer grupo (sombreado azul claro) que consiste principalmente en características que describen el entorno de actividad física. Estos incluyen diversidad de establecimientos de actividad física, instalaciones recreativas al aire libre por milla cuadrada, tiendas de bocadillos (p. Ej., Donas, pretzels, helados) por milla cuadrada, centros de recreación interiores por milla cuadrada, todos los establecimientos de actividad física por milla cuadrada, gimnasio interior y recreacional instalaciones por milla de la calle, y clubes recreativos interiores e instalaciones por milla cuadrada.

Tanto en el segundo como en el tercer clúster, los nodos que están más altamente correlacionados con la obesidad (indicado por el color del nudo más oscuro), son más centrales en la red en general, así como dentro de cada clúster. No todos los nodos de alimentos o actividad física están agrupados. En el enlace del grafo vemos varios nodos de actividad física o de alimentos que no están tan estrechamente acoplados (incluidos parques y grandes almacenes). Finalmente, la estructura general de la red sugiere que los elementos de estas comunidades están agrupados geográficamente y no están dispersos aleatoriamente entre las comunidades, especialmente las características de los entornos físicos, de alimentos y de uso de la tierra.

A continuación, nos interesaba saber si la estructura de esta red de características variaba en los estratos de la carga de obesidad de la comunidad. La Figura 2 muestra el resultado de ejecutar un modelo de red similar por separado por cuartil de porcentaje de niños en o por encima del percentil 85 en BMI-z, un umbral ampliamente considerado como indicativo de sobrepeso y carga de obesidad. Entre las comunidades en el cuartil más bajo de prevalencia de obesidad (Fig. 2A), las características de la comunidad parecen estar menos conectadas que en las comunidades en el cuartil más alto de prevalencia de obesidad (Fig. 2B). Esto también se describe por la mayor modularidad en la Tabla 2. Por ejemplo, entre las comunidades con menor prevalencia de obesidad, el crimen está débilmente vinculado al conjunto de uso de la tierra, alimentos y actividad física; pero en las comunidades con mayor prevalencia de obesidad, el crimen está más estrechamente vinculado a este grupo. No solo las cantidades de estas características son mayores en las comunidades más pesadas, sino que las conexiones entre las características también se modifican: las comunidades que dan lugar a tasas más altas de obesidad infantil están estructuradas de manera diferente a aquellas con menos obesidad infantil.
La Tabla 2 muestra los resultados del análisis de la estructura de la red, global y estratificado por cuartil de obesidad. La red general tiene una modularidad positiva de 0,15, lo que indica que los nodos (características ambientales) muestran un grado de agrupamiento (en comparación con una distribución aleatoria de nodos sin agrupamiento). En el análisis estratificado por la prevalencia de obesidad infantil, las comunidades en el primer y segundo cuartil (comunidades más delgadas) muestran una mayor modularidad en comparación con las comunidades en el tercer y cuarto cuartil (comunidades más pesadas) (modularidad de 0,19 y 0,27 frente a 0,12 y 0,09, respectivamente). Esto significa que los módulos de variables en comunidades más delgadas están más agrupados dentro de cada módulo o tienen conexiones más débiles a las variables en otros módulos, y que en las comunidades más pesadas las variables (nodos) exhiben un menor grado de agrupamiento en módulos (como se puede ver en la figura 2). Por ejemplo, una comparación de los dos paneles en la Figura 2 demuestra que el grupo relacionado con el crimen que se muestra en verde tiene menos vínculos fuertes (mostrados por líneas más oscuras) con el centro de la red en las comunidades más delgadas en el panel izquierdo en comparación con las más pesadas Comunidades en el panel derecho. De manera similar, el grado promedio de la red es mayor en las comunidades más pesadas (grado = 0.362) en comparación con las comunidades más delgadas (grado = 0.332), lo que representa una correlación promedio más alta (es decir, conexiones más fuertes), entre las variables en comunidades con mayor prevalencia de obesidad infantil.

La Figura 3 muestra la relación entre el grado de centralidad de cada característica de la comunidad (nodo) con la correlación bivariada de esa característica con el sobrepeso infantil y la prevalencia de obesidad (porcentaje de niños por encima del percentil 85 del IMC). Cada punto representa una de las 32 características de la comunidad. La correlación entre el grado de cada característica y su correlación con la prevalencia de la obesidad infantil es positiva (r = 0.51), lo que indica que las variables más "centrales" tienen una asociación más fuerte con el resultado. Por ejemplo, los puestos de frutas y hortalizas frescas por milla cuadrada tienen una baja correlación con la obesidad de la comunidad, y pueden verse en la Figura 1 como una variable lejos del centro de la red y con solo unos pocos vínculos débiles con el resto de la red.

Discusión

Aplicamos la metodología de red para describir los vínculos entre las características de la comunidad asociadas con la obesidad. Utilizamos el análisis de redes para caracterizar el entorno obesogénico: en lugar de tratar las características individuales de las comunidades de forma aislada, este método respeta las interacciones y la coexistencia espacial que conforman este panorama de riesgo de obesidad.

Este trabajo sugiere que (i) existen grupos identificables de características ambientales; (ii) que el nivel de conectividad y la estructura de las características en la red pueden ser informativos; y (iii) es más probable que las características más asociadas con la obesidad sean centrales en la red de características comunitarias. Se identificaron tres grupos en la red general: un grupo de variables relacionadas con la delincuencia que estaba débilmente vinculada a la red principal, y grupos de actividad física y de uso de la tierra y los alimentos, respectivamente. En las comunidades estratificadas por la prevalencia de la obesidad infantil, la estructura y la conectividad general de la red parecían diferir según el nivel de obesidad. No solo los valores de estos atributos son diferentes en las comunidades más pesadas y más delgadas, sino que también los patrones de conexiones son diferentes. También encontramos que la centralidad sola, medida en grado, está correlacionada con la obesidad. Por lo tanto, las características relacionadas con la obesidad están agrupadas geográficamente de manera más estrecha. Esto puede ser evidencia de la sinergia entre las características del entorno obesogénico, las características no independientes de las comunidades que unen sus fuerzas para determinar el riesgo de obesidad.

Comprender e intervenir sobre los impulsores de la epidemia de obesidad es un desafío para los investigadores y responsables políticos de la obesidad. La obesidad es compleja y tiene múltiples impulsores a nivel individual, comunitario, estatal y nacional (Huang et al., 2009). Los métodos tradicionales, como los modelos de regresión, no tienen en cuenta la interacción entre múltiples factores en múltiples escalas, la complejidad e importancia de los factores contextuales y los ciclos de retroalimentación y otros procesos dinámicos (Hammond, 2009). Aunque nuestro trabajo es preliminar, sugiere que los enfoques de sistemas para la obesidad pueden ser útiles para caracterizar los vínculos entre las características del entorno. A pesar del reconocimiento de que las características ambientales de las comunidades desempeñan un papel importante en la epidemia de obesidad, los métodos de red para caracterizar los vínculos entre los atributos de las comunidades se han subutilizado. La estructura y la fortaleza de estos vínculos pueden proporcionar evidencia de áreas geográficas o tipos de grupos de características que serían más eficientes para la intervención.
Los métodos de red, especialmente los métodos gráficos, podrían usarse para ayudar a establecer prioridades para las intervenciones relacionadas con la obesidad en las comunidades. Por ejemplo, los establecimientos de alimentos mostraron una alta centralidad (medida por grado) en nuestra red y una alta correlación con la obesidad infantil (Fig. 3). Usando estos grafos de red (por ejemplo, Fig. 2), podemos limitarnos a características como estas que pueden tener efectos de gran alcance, si se interviene. Esto es consistente con la literatura sobre "pantanos de alimentos" y "desiertos de alimentos", pero ayuda a priorizar las intervenciones en esta área porque estas características son más centrales. Esto podría apuntar a la efectividad de intervenir en tales variables que son altamente centrales en la red y, por lo tanto, pueden tener efectos de mayor alcance que la intervención en variables menos centrales. Los métodos de red pueden ayudar a identificar a los actores sinérgicos que podrían tener grandes efectos sobre la obesidad debido a sus conexiones con otras variables.

En particular, nuestro trabajo apunta hacia posibles intervenciones con respecto a las políticas de zonificación de la comunidad. Los grafos de nuestra red muestran grupos estrechos de características relacionadas con los alimentos (por ejemplo, tiendas de comestibles y de conveniencia, restaurantes de comida rápida y de servicio completo) y uso del suelo (por ejemplo, longitud de bloque de carreteras, densidad del hogar) que están fuertemente correlacionadas con la obesidad. La reestructuración del entorno comunitario puede ser una vía prometedora para la prevención de la obesidad. Al considerar que las comunidades son sistemas complejos donde múltiples fenómenos interrelacionados actúan juntos para crear un entorno obesogénico, estos métodos también nos empujan a considerar la intervención no solo en las características ambientales en sí mismas, sino también en los vínculos entre las características. Esta es una nueva forma de abordar la epidemia de obesidad: buscando factores que puedan estar relacionados con las características o que puedan manipularse para interrumpir conexiones dañinas. Por ejemplo, el grupo relacionado con la delincuencia está más estrechamente vinculado a la red entre las comunidades con más obesidad infantil. Investigaciones adicionales sobre las causas subyacentes de este vínculo (y por qué difiere en las comunidades estratificadas por la prevalencia de obesidad infantil) pueden iluminar importantes impulsores de la epidemia de obesidad.

Este trabajo también tiene implicaciones metodológicas para la investigación de la obesidad. El trabajo futuro debería explorar los mecanismos de cómo estos grupos se asocian con una mayor prevalencia de obesidad y si las intervenciones en las características de esta red cambian la estructura de la red en sí. Esta investigación futura debe considerar las relaciones, o agrupación, de estas características. La evaluación de asociaciones independientes entre cualquier característica única y las tasas de obesidad ignoraría las complejas interrelaciones que este trabajo ha destacado. Otros métodos que reconocen estos grupos de características, como los métodos de variables latentes (Nau et al., 2015), pueden ser más apropiados para respetar la forma en que se agrupan las características ambientales y descubrir fuentes no observadas de la correlación observada en esta red.

Tenemos datos de un área geográfica grande y diversa que incluye comunidades urbanas, rurales y suburbanas. Sin embargo, este análisis es exploratorio. No podemos descartar la posibilidad de que la densidad de la población y el desarrollo puedan ser una causa común de muchas de las variables que seleccionamos. Esto es potencialmente una fuente de sesgo o una posible explicación para el agrupamiento de características del entorno en el que se basa nuestro estudio. Se reconoce ampliamente que las características de las comunidades relacionadas con la obesidad están geográficamente correlacionadas. Las razones de esas correlaciones no se entienden bien. Creemos que nuestros resultados respaldan la utilidad de los métodos de red para el estudio de entornos que no se forman de forma aleatoria, pero que están moldeados por diversas fuerzas demográficas y de mercado que pueden ser importantes para impulsar la variación espacial en las tasas de obesidad.

Conclusión

El análisis de redes puede ser una herramienta útil para evaluar entornos obesogénicos y otras cuestiones de interés en epidemiología. Este análisis preliminar sugiere que los patrones de agrupamiento y las conexiones entre las características del entorno son importantes. El uso de la tierra y las características de los alimentos están fuertemente vinculados (especialmente en las comunidades más "pesadas"), y las características están más agrupadas en comunidades con un IMC promedio más alto. Los métodos de red pueden iluminar patrones de vínculos y factores clave en entornos obesogénicos. La posición de la red (centralidad) se correlaciona con el IMC promedio. En última instancia, el objetivo de este tipo de análisis sería identificar características de la comunidad altamente conectadas que se pueden usar como palancas de intervención para reducir las tasas de obesidad en la población.


Referencias

  1. Ali, M.M., Amialchuk, A. and Rizzo, J.A. 2012. The influence of body weight on social network ties among adolescents. Economics and Human Biology 10 1: 20-34.
  2. Ali, M.M., Amialchuk, A., Gao, S. and Heiland, F. 2012. Adolescent weight gain and social networks: Is there a contagion effect?. Applied Economics 44 23: 2969-83.
    [CROSSREF]
  3. Barabasi, A.L. 2007. Network medicine – from obesity to the ‘diseasome’. The New England Journal of Medicine 357 4: 404-7, doi: 10.1056/NEJMe078114.
    [CROSSREF] [URL]
  4. Barabasi, A.L. 2009. Scale-free networks: A decade and beyond. Science 325 5939: 412-3.
    [CROSSREF]
  5. Barabasi, A.L. 2012. Network science: Luck or reason. Nature 489 7417: 507-8.
    [CROSSREF]
  6. Barabasi, A.L. 2013. Network science. Philosophical Transactions of the Royal Society A Mathematical Physicla and Engineering Science 371 1987: 20120375.
    [CROSSREF]
  7. Barrat, A., Barthélemy, M., Pastor-Satorras, R. and Vespignani, A. 2004. The architecture of complex weighted networks. Proceedings of the National Academy of Sciences of the United States of America 101 11: 3747-52, doi: 10.1073/pnas.0400087101.
    [CROSSREF] [URL]
  8. Berger, E., Vega, N., Vidal, H. and Geloen, A. 2012. Gene network analysis leads to functional validation of pathways linked to cancer cell growth and survival. Biotechnology Journal 7 11: 1395-404.
    [CROSSREF]
  9. Blanchflower, D.G., Landeghem, B. and Oswald, A.J. 2009. Imitative obesity and relative utility. Journal of the European Economic Association 7 2–3: 528-38.
    [CROSSREF]
  10. Brewis, A.A., Hruschka, D.J. and Wutich, A. 2011. Vulnerability to fat-stigma in women’s everyday relationships. Social Science and Medicine 73 4: 491-7.
    [CROSSREF]
  11. Burke, M.A. and Heiland, F. 2007. Social dynamics of obesity. Economic Inquiry 45 3: 571-91.
    [CROSSREF]
  12. Chen, Z. and Zhang, W. 2013. Integrative analysis using module-guided random forests reveals correlated genetic factors related to mouse weight. PLOS Computational Biology 9 3: e1002956.
    [CROSSREF]
  13. Christakis, N.A. and Fowler, J.H. 2007. The spread of obesity in a large social network over 32 years. The New England Journal of Medicine 357 4: 370-9.
    [CROSSREF]
  14. Crandall, C.S. 1988. Social contagion of binge eating. Journal of Personality and Social Psychology 55 4: 588-98.
    [CROSSREF]
  15. Csardi, G. and Nepusz, T. 2006. The igraph software package for complex network research. InterJournal Complex Systems 1695: 1-9.
  16. Dallman, M.F., Pecoraro, N., Akana, S.F., La Fleur, S.E., Gomez, F., Houshyar, H., Bell, M.E., Bhatnagar, S., Laugero, K.D. and Manalo, S. 2003. Chronic stress and obesity: A new view of ‘comfort food’. Proceedings of Natlional Academy of Science of the United States of America 100 20: 11696-701.
    [CROSSREF]
  17. Dallman, M.F., Pecoraro, N.C., La Fleur, S.E., Warne, J.P., Ginsberg, A.B., Akana, S.F., Laugero, K.C., Houshyar, H., Strack, A.M., Bhatnagar, S. and Bell, M.E. 2006. Glucocorticoids, chronic stress, and obesity. Progress in Brain Research 153: 75-105.
    [CROSSREF]
  18. de la Haye, K., Robins, G., Mohr, P. and Wilson, C. 2011. Homophily and contagion as explanations for weight similarities among adolescent friends. Journal of Adolescent Health 49 4: 421-7.
    [CROSSREF]
  19. El-Sayed, A.M., Scarborough, P., Seemann, L. and Galea, S. 2012. Social network analysis and agent-based modeling in social epidemiology. Epidemiologic Perspectives and Innovations 9 1: 1.
    [CROSSREF]
  20. Epskamp, S., Cramer, A.O.J., Waldorp, L.J., Schmittmann, V.D. and Borsboom, D. 2012. qgraph: Network visualizations of relationships in psychometric data. Journal of Statistical Software 48 4: 1-8.
    [CROSSREF]
  21. Finegood, D.T. 2011. The complex systems science of obesity. in Cawley, J. (Ed.), The Oxford Handbook of Social Science of Obesity, Oxford University Press, New York: 208-36.
  22. Fox, M.D., Snyder, A.Z., Vincent, J.L., Corbetta, M., Van Essen, D.C. and Raichle, M.E. 2005. The human brain is intrinsically organized into dynamic, anticorrelated functional networks. Proceedings of the National Academy of Sciences of the United States of America 102 27: 9673-78, doi: 10.1073/pnas.0504136102.
    [CROSSREF] [URL]
  23. Fruchterman, T.M.J. and Reingold, E.M. 1991. Graph drawing by force-directed placement. Software: Practice and Experience 21 11: 1129-64, doi: 10.1002/spe.4380211102.
    [CROSSREF] [URL]
  24. Galea, S., Riddle, M. and Kaplan, G.A. 2010. Causal thinking and complex system approaches in epidemiology. International Journal of Epidemiology 39 1: 97-106.
    [CROSSREF]
  25. Gesell, S.B., Tesdahl, E. and Ruchman, E. 2012. The distribution of physical activity in an after-school friendship network. Pediatrics 129 6: 1064-71, doi: 10.1542/peds.2011-2567.
    [CROSSREF] [URL]
  26. Gill, R., Datta, S. and Datta, S. 2014. Differential network analysis in human cancer research. Current Pharmaceutical Design 20 1: 4-10.
    [CROSSREF]
  27. Goh, K.I., Cusick, M.E., Valle, D., Childs, B., Vidal, M. and Barabasi, A.L. 2007. The human disease network. Proceedings of Natlional Academy of Science of the United States of America 104 21: 8685-90, doi: 10.1073/pnas.0701361104.
    [CROSSREF] [URL]
  28. Hammond, R. 2009. Complex systems modeling for obesity research. Preventing Chronic Disease 6 3: 1-10.
  29. Hammond, R.A. 2010. Social influence and obesity. Current Opinion in Endocrinology, Diabetes and Obesity 17 5: 467-71.
    [CROSSREF]
  30. Hammond, R.A. and Ornstein, J.T. 2014. A model of social influence on body mass index. Annals of the New York Academy of Science 1331: 34-42.
    [CROSSREF]
  31. Hidalgo, C.A. and Castañer, E.E. 2015. The amenity space and the evolution of neighborhoods. arXiv:1509.02868 [physics.soc-ph].
  32. Hidalgo, C.A., Blumm, N., Barabasi, A.L. and Christakis, N.A. 2009. A dynamic network approach for the study of human phenotypes. PLOS Computational Biology 5 4: e1000353, doi: 10.1371/journal.pcbi.1000353.
    [CROSSREF] [URL]
  33. Hill, A.L., Rand, D.G., Nowak, M.A. and Christakis, N.A. 2010. Infectious disease modeling of social contagion in networks. PLOS Computational Biology 6 11: e1000968.
    [CROSSREF]
  34. Hill, J.O. and Peters, J.C. 1998. Environmental contributions to the obesity epidemic. Science 280 5368: 1371-4.
    [CROSSREF]
  35. Huang, T.T., Drewnosksi, A., Kumanyika, S. and Glass, T.A. 2009. A systems-oriented multilevel framework for addressing obesity in the 21st century. Preventing Chronic Disease 6 3: A82.
  36. Jeong, H., Mason, S.P., Barabasi, A.L. and Oltvai, Z.N. 2001. Lethality and centrality in protein networks. Nature 411 6833: 41-2, doi: 10.1038/35075138.
    [CROSSREF] [URL]
  37. Leroux, J.S., Moore, S. and Dubé, L. 2013. Beyond the ‘I’ in the obesity epidemic: A review of social relational and network interventions on obesity. Journal of Obesity 2013: 348249.
    [CROSSREF]
  38. McGlashan, J., Johnstone, M., Creighton, D., de la Haye, K. and Allender, S. 2016. Quantifying a systems map: Network analysis of a childhood obesity causal loop diagram. PLOS ONE 11 10: e0165459, doi: 10.1371/journal.pone.0165459.
    [CROSSREF] [URL]
  39. Marks, J., Barnett, L.M., Foulkes, C., Hawe, P. and Allender, S. 2013. Using social network analysis to identify key child care center staff for obesity prevention interventions: A pilot study. J Obes 2013: 919287.
    [CROSSREF]
  40. Mutation Consequences and Pathway Analysis working group of the International Cancer Genome Consortium 2015. Pathway and network analysis of cancer genomes. Nature Methods 12 7: 615-21.
    [CROSSREF]
  41. Nau, C., Ellis, H., Huang, H., Schwartz, B.S., Hirsch, A., Bailey-Davis, L., Kress, A.M., Pollak, J. and Glass, T.A. 2015. Exploring the forest instead of the trees: An innovative method for defining obesogenic and obesoprotective environments. Health Place 35: 136-46, doi: 10.1016/j.healthplace.2015.08.002.
    [CROSSREF] [URL]
  42. Newman, M.E.J. 2006. Modularity and community structure in networks. Proceedings of the National Academy of Sciences of the United States of America 103 23: 8577-82, doi: 10.1073/pnas.0601602103.
    [CROSSREF] [URL]
  43. Pons, P. and Latapy, M. 2005. Computing communities in large networks using random walks. in Yolum, P., Güngör, T., Gürgen, F. and Özturan, C. (Eds), Computer and Information Sciences – ISCIS 2005: Proceedings of the 20th International Symposium, Istanbul, Turkey, October 26–28, 2005, Springer, Berlin, Heidelberg: 284-93.
  44. Schwartz, B.S., Stewart, W.F., Godby, S., Pollak, J., Dewalle, J., Larson, S., Mercer, D.G. and Glass, T.A. 2011. Body mass index and the built and social environments in children and adolescents using electronic health records. American Journal of Preventive Medicine 41 4: e17-e28, doi: 10.1016/j.amepre.2011.06.038.
    [CROSSREF] [URL]
  45. Simpkins, S.D., Schaefer, D.R., Price, C.D. and Vest, A.E. 2013. Adolescent friendships, BMI, and physical activity: Untangling selection and influence through longitudinal social network analysis. Journal of Research Adolescence 23 3, doi: 10.1111/j.1532-7795.2012.00836.x.
    [CROSSREF] [URL]
  46. Stites, E.C., Trampont, P.C., Ma, Z. and Ravichandran, K.S. 2007. Network analysis of oncogenic Ras activation in cancer. Science 318 5849: 463-7.
    [CROSSREF]
  47. Swinburn, B., Egger, G. and Raza, F. 1999. Dissecting obesogenic environments: The development and application of a framework for identifying and prioritizing environmental interventions for obesity. Preventive Medicine 29 6 Pt 1: 563-70, doi: 10.1006/pmed.1999.0585.
    [CROSSREF] [URL]
  48. Zhang, B. and Horvath, S. 2005. A general framework for weighted gene co-expression network analysis. Statistical Applications in Genetics and Molecular Biology, Epub 2005.
  49. Zhou, X., Menche, J., Barabasi, A.L. and Sharma, A. 2014. Human symptoms-disease network. Nature Communication 5: 4212, doi: 10.1038/ncomms5212.
    [CROSSREF] [URL]

jueves, 15 de noviembre de 2018

Barabási y colegas cuantifican y predicen el éxito en el arte

Cuantificando la reputación y el éxito en el arte

Samuel P. Fraiberger 1,2; , Roberta Sinatra 3,1,4,5; Magnus Resch 6,7; Christoph Riedl 1,2*, Albert -László Barabási 1,3,8,9* 
1. Instituto de Ciencias de la Red, Northeastern University, Boston, MA, EE. UU.2. Instituto Harvard de Ciencias Sociales Cuantitativas, Cambridge, MA, EE. UU.3. Departamento de Matemáticas y sus aplicaciones y Centro de Ciencia de Redes, Universidad de Europa Central, Budapest, Hungría.4. Complexity Science Hub, Viena, Austria.5. ISI Fundación, Turín, Italia.6. Universidad de St Gallen, St. Gallen, Suiza.7. Zagreb Escuela de Economía y Gestión, Zagreb, Croacia.8. División de Medicina de la Red, Departamento de Medicina, Harvard Medical School, Boston, MA, EE. UU.9. Departamento de Redes y Ciencia de Datos, Universidad de Europa Central, Budapest, Hungría. 
En áreas de actividad humana donde el rendimiento es difícil de cuantificar de manera objetiva, la reputación y las redes de influencia desempeñan un papel clave en la determinación del acceso a los recursos y las recompensas. Para comprender el papel de estos factores, reconstruimos la historia de la exposición de medio millón de artistas, trazando un mapa de la red de coexposición que captura el movimiento del arte entre instituciones. La centralidad dentro de esta red capturó el prestigio institucional, lo que nos permite explorar la trayectoria profesional de artistas individuales en términos de acceso a instituciones codiciadas. El acceso temprano a instituciones centrales de prestigio ofreció acceso de por vida a lugares de alto prestigio y una tasa de deserción reducida. Por el contrario, al comenzar en la periferia de la red se produjo una alta tasa de abandono, lo que limita el acceso a las instituciones centrales. Un modelo de Markov predice la trayectoria profesional de artistas individuales y documenta el sólido camino y la dependencia de la historia de la valoración en el arte.



   

martes, 13 de noviembre de 2018

ERGM: Definición


Modelos de grafos aleatorios exponenciales (ERGM)




Los modelos de grafos aleatorios exponenciales (ERGM) son una familia de modelos estadísticos para analizar datos sobre redes sociales y otras redes.

Introducción

Existen muchas métricas para describir las características estructurales de una red observada, como la densidad, la centralidad o la asortatividad. [1] [2] Sin embargo, estas métricas describen la red observada, que es solo una instancia de un gran número de redes alternativas posibles. Este conjunto de redes alternativas puede tener características estructurales similares o diferentes. Para respaldar la inferencia estadística sobre los procesos que influyen en la formación de la estructura de la red, un modelo estadístico debe considerar el conjunto de todas las redes alternativas posibles ponderadas por su similitud con una red observada. Sin embargo, como los datos de la red son inherentemente relacionales, violan los supuestos de independencia y la distribución idéntica de modelos estadísticos estándar como la regresión lineal. [3] Modelos estadísticos alternativos deben reflejar la incertidumbre asociada con una observación dada, permitir la inferencia sobre la frecuencia relativa de las subestructuras de red de interés teórico, desambiguar la influencia de los procesos relacionados, representan estructuras complejas y vinculan los procesos de nivel local con las propiedades de nivel global. [4] La aleatorización que preserva el grado, por ejemplo, es una forma específica en la cual una red observada podría considerarse en términos de múltiples redes alternativas.


Definición

La familia Exponential es una amplia familia de modelos para cubrir muchos tipos de datos, no solo redes. Un ERGM es un modelo de esta familia que describe redes.

Formalmente, un grafo aleatorio  consiste de un conjunto de  nodos y díadas (enlaces) donde si los nodos se encuentran conectadosy de lo contrario.

El supuesto básico de estos modelos es que la estructura en un grafo observado y puede explicarse por cualquier estadística  dependiendo de la red observada y atributos nodales. De esta manera, es posible describir cualquier tipo de dependencia entre las variables no díadicas:



donde es un vector de parámetros de modelo asociados con  y es una constante de normalización.

Estos modelos representan una distribución de probabilidad en cada red posible en n nodos. Sin embargo, el tamaño del conjunto de redes posibles para una red no dirigida (grafo simple) de tamaño is . Debido a que el número de redes posibles en el conjunto supera ampliamente al número de parámetros que pueden restringir el modelo, la distribución de probabilidad ideal es la que maximiza la entropía de Gibbs. [5]


Referencias

  1. Wasserman, Stanley; Faust, Katherine (1994). Social Network Analysis: Methods and Applications. ISBN 978-0-521-38707-1.
  2. Newman, M.E.J. "The Structure and Function of Complex Networks". SIAM Review. 45 (2): 167–256. arXiv:cond-mat/0303516. Bibcode:2003SIAMR..45..167N. doi:10.1137/S003614450342480
  3. Contractor, Noshir; Wasserman, Stanley; Faust, Katherine. "Testing Multitheoretical, Multilevel Hypotheses About Organizational Networks: An Analytic Framework and Empirical Example". Academy of Management Review. 31 (3): 681–703. doi:10.5465/AMR.2006.21318925
  4. Robins, G.; Pattison, P.; Kalish, Y.; Lusher, D. (2007). "An introduction to exponential random graph models for social networks". Social Networks. 29: 173–191. doi:10.1016/j.socnet.2006.08.002.
  5. Newman, M.E.J. "Other Network Models". Networks. pp. 565–585. ISBN 978-0-19-920665-0.

 Wikipedia

domingo, 11 de noviembre de 2018

Un amplia introducción al ARS

Análisis de redes sociales: Una breve introducción



Sean F. Everton, Naval Postgraduate School, Monterey, California
https://doi.org/10.1017/9781108241748.003



Nicholas Christakis comienza su charla TED ampliamente vista, La influencia oculta de las redes sociales (2010), con una historia de cuando era médico de cuidados paliativos en la Universidad de Chicago en la década de 1990. En ese momento, estaba estudiando el "efecto viudez", que es el fenómeno de cómo, cuando alguien que está casado muere, el riesgo de que su cónyuge muera dentro de un año se duplica. Christakis cuenta cómo cuidaba a una mujer que se estaba muriendo de demencia y que estaba siendo atendida por su hija.
[L]a hija estaba agotada de cuidar a su madre. Y el marido de la hija, también estaba enfermo por el agotamiento de su esposa. Y un día me dirigía a casa y recibí una llamada de un amigo del marido que me llamaba porque estaba deprimido por lo que le estaba pasando a su amigo. Así que aquí recibo esta llamada de este tipo al azar que está teniendo una experiencia que está siendo influenciada por personas a cierta distancia social ".
(Christakis 2010)
Esto lo llevó a experimentar una epifanía:
De repente me di cuenta de dos cosas muy simples: primero, el efecto de viudez no se limitaba a los esposos y esposas. Y segundo, no estaba restringido a parejas de personas. Y empecé a ver el mundo de una manera completamente nueva, como parejas de personas conectadas entre sí. Y luego me di cuenta de que estas personas estarían conectadas en grupos de cuatro con otras parejas cercanas. Y luego, de hecho, estas personas se integraron en otro tipo de relaciones: matrimonio y cónyuge y amistad y otros tipos de vínculos. Y que, de hecho, estas conexiones eran amplias y que todos estábamos integrados en este amplio conjunto de conexiones entre sí. Entonces, comencé a ver el mundo de una manera completamente nueva y me obsesioné con esto. Me obsesioné con cómo lo hacía ya sea que estemos incrustados en estas redes sociales, y cómo afectan nuestras vidas.


Christakis no es el primero en obsesionarse con las redes sociales. Durante algún tiempo, los científicos sociales han explorado la dinámica de las redes en las que los individuos están integrados. Por ejemplo, Georg Simmel (1955 [1908], 1971 [1908]), quien generalmente es visto como el antecesor intelectual de lo que ahora se conoce como análisis de redes sociales (ARS) (Freeman 2004), [1] argumentó que para comprender comportamiento social, debemos estudiar los patrones de interacción, y él ofreció penetrantes ideas sobre la naturaleza de las sociedades secretas (Simmel 1950b), la dinámica de las díadas y tríadas (Simmel 1950a, 1950c), [2] y cómo la creciente complejidad social ayudó a conducir al aumento. del individualismo moderno (Simmel 1955 [1908]). Si bien las contribuciones de Simmel continúan influyendo en la disciplina, el surgimiento de ARS puede rastrearse en dos líneas principales de pensamiento (Prell 2011; Scott 2013): el trabajo de (1) psicólogos sociales, como Fritz Heider, Kurt Lewin y Jacob Moreno (Heider 1946; Lewin 1951; Moreno 1953) y (2) antropólogos sociales, como Siegfried Nadel (1957) y Alfred Radcliffe-Brown (1940). El primero enfatizó cómo los patrones organizados dan forma a cómo vemos e interpretamos el mundo, mientras que el segundo se centró en la relación entre los patrones sociales y la estructura social. Estos individuos no solo influyeron en la investigación de individuos como Elton Mayo (1933, 1945; véase también Roethlisberger y Dickson 1939), W. Lloyd Warner (Warner y Lunt 1941), John Barnes (1954), Elizabeth Bott (1957), y J. Clyde Mitchell (1969), pero sentaron las bases para el desarrollo formal de ARS en Harvard en los años 60 y 70, liderados por el sociólogo Harrison White y sus alumnos (por ejemplo, Ronald Breiger, Kathleen Carley, Ivan Chase, Bonnie Erickson, Mark Granovetter, Michael Schwartz y Barry Wellman). White, quien también obtuvo un doctorado en física teórica, argumentó que la sociología, a pesar de su afirmación de estudiar fenómenos sociales, estaba sujeta a formas de análisis individualistas basadas en las características agregadas de los individuos a menudo ayudadas por el análisis estadístico de los datos de encuestas. Creía que esto era un error y, junto con sus alumnos, desarrolló un enfoque que se basaba en estudios de casos que se centraban en las relaciones sociales y los patrones que surgían de ellos. Los esfuerzos de White no ocurrieron en el vacío. Otras tradiciones teóricas también informaron el desarrollo de ARS, incluida la teoría de grafos (Harary 1953, 1969; Harary y Norman 1953; Lewis 2009), la teoría del intercambio (Cook y Whitmeyer 1992; Emerson 1972a, 1972b, 1976; desde enfoques más tradicionales (es decir, basados ​​en variables), ya que este último tiende a centrarse en los atributos de los actores (por ejemplo, género, raza, educación), mientras que ARS se centra en cómo los patrones de interacción afectan el comportamiento. Observe que mientras que los atributos normalmente no varían en los contextos sociales, la mayoría de los patrones de interacción sí lo hacen, lo que sugiere que los patrones de interacción son tan (o quizás más) importantes para entender el comportamiento que los atributos.Una mujer que tiene un trabajo de baja categoría que requiere poca iniciativa en una oficina puede ser un líder dinámico de una asociación de vecinos y un participante asertivo de la PTA. Dichas diferencias de comportamiento son difíciles de reconciliar con los atributos invariables de género, edad y estado, pero son comprensibles al reconocer que las relaciones estructurales de las personas pueden variar notablemente en los contextos sociales. (Knoke y Yang 2007: 5)

En consecuencia, un objetivo principal de ARS ha sido desarrollar métricas que ayuden a los analistas a comprender mejor las características estructurales de una red en particular. Se ha utilizado con éxito para explicar variedades de comportamiento en gran medida porque obliga a los investigadores a "pensar en términos de restricciones y opciones que son inherentes a la forma en que se organizan las relaciones sociales" (Raab y Milward, 2003). La mayor parte del resto de este capítulo presenta a los lectores los términos básicos, conceptos y suposiciones de ARS. Primero, sin embargo, discutimos brevemente algunos de los conceptos erróneos que rodean a ARS. Luego consideramos sus supuestos básicos antes de pasar a una discusión de sus términos y conceptos básicos. Cuando es apropiado, notamos las implicaciones que estos pueden tener para el estudio científico social de la religión. A esto le sigue una descripción general de los diferentes tipos de datos de redes sociales y una breve discusión sobre cómo se recopilan los datos de las redes sociales.

2.2 Errores de concepción

El hecho de que el contenido de las redes sociales a menudo sea relacional y, por lo tanto, puede prestarse al ARS solo ha contribuido a la confusión.

Figura 2.1 Diagram ilustrativo de análisis de enlace

Cómo algunos usan el término "red" también puede ser confuso. Algunos lo utilizan para referirse a tipos de organizaciones descentralizadas, informales y / u orgánicas (Burns y Stalker 1961; Powell 1990; Powell y Smith-Doerr 1994; Podolny y Page 1998; Ronfeldt y Arquilla 2001). Esta distinción puede ser útil en algunos contextos, pero dentro del mundo de ARS, todas las organizaciones son vistas como redes. Algunos pueden ser más jerárquicos que otros, pero siguen siendo redes (Nohria 1992), razón por la cual los analistas de redes sociales han desarrollado algoritmos que miden el grado en que una red particular es jerárquica (ver, por ejemplo, Davis 1979; Krackhardt 1994; de Nooy, Mrvar y Batagelj 2005: 205–212).Finalmente, ARS a veces se confunde con el análisis de enlaces, una metodología relacionada pero distinta que, como ARS, examina los patrones relacionales de varios objetos. Aunque hay similitudes entre los dos, una diferencia básica es que si bien los diagramas de análisis de enlaces a menudo incluyen diferentes tipos de objetos (por ejemplo, individuos, automóviles, teléfonos celulares, etc.) y los vínculos entre ellos, los diagramas de redes sociales solo incluyen vínculos entre similares Tipos de objetos. Tomemos, por ejemplo, un diagrama de análisis de enlaces donde dos individuos (A y B) tienen cada uno enlaces a otros objetos, pero los objetos a los que tienen vínculos difieren entre sí (Figura 2.1). En este ejemplo, la persona A está vinculada a la persona B, así como a un rollo, una sinagoga, una casa y un automóvil, mientras que la persona B está vinculada a cuatro personas (A, C, D y E) y una sinagoga. Si bien ambos tienen cinco vínculos, no podemos comparar de manera significativa la Figura 2.1. Diagrama de análisis de enlace ilustrativo el número de vínculos de estos dos individuos porque están vinculados a diferentes tipos de objetos.
Por el contrario, en ARS los actores tienen objetos similares, lo que hace que la comparación directa de la cantidad de vínculos sea significativa. Esto se ilustra en la Figura 2.2, donde en el panel superior, los individuos A y B tienen cinco vínculos con otros cinco individuos, y en el inferior tienen cinco vínculos con cinco iglesias diferentes. En ambos casos, los vínculos de A son comparables a los de B porque los vínculos son del mismo tipo de objeto. Por supuesto, los analistas de redes sociales están interesados en algo más que el recuento de los vínculos de un actor, pero otros algoritmos de análisis de redes sociales generalmente asumen que los vínculos están entre tipos de objetos similares.

2.3 Supuestos

La mayoría de las teorías y métodos de análisis de redes sociales están construidos sobre una base común conjunto de supuestos (Wasserman y Faust 1994; Azarian 2005; y Yang 2007; Christakis y Fowler 2009):
  • Los actores y sus acciones relacionadas son interdependientes, en lugar de ser independientes, con otros actores
  • Los vínculos entre actores son conductos para la transferencia o el flujo de varios tipos de bienes o recursos materiales y / o no materiales (por ejemplo, fondos, creencias, confianza, enemistad, etc.)
  • Las estructuras sociales se ven en términos de patrones duraderos de vínculos entre los actores.
  • Las interacciones repetidas entre actores dan lugar a formaciones sociales que adquieren vida propia, siguen su propia lógica y no pueden reducirse a sus partes constitutivas, aunque sigan dependiendo de esas partes.
  • La ubicación de los actores en la estructura social (es decir, su ubicación estructural) afecta sus creencias, normas y comportamiento observado
  • Las redes sociales son entidades dinámicas que cambian a medida que los actores, subgrupos y vínculos entre los actores entran, se forman, se van o se eliminan de la red.

Interdependencia de los actores

El ARS supone que los actores no toman decisiones de manera autónoma; en cambio, están sustancialmente influenciados por el comportamiento y las elecciones de otros actores. Este supuesto difiere sustancialmente de una perspectiva de elección racional "pura" donde los actores actúan independientemente de aquellos con quienes interactúan. [5]

Estudios como los experimentos de conformidad social de Solomon Asch (1951, 1955), los experimentos de obediencia a la autoridad de Stanley Milgram (1974) y el experimento de la prisión de Philip Zimbardo (1972; Zimbardo, Maslasch y Haney 2000) resaltan cómo las redes en las que los actores están integrados influir en su comportamiento. Sugieren que, lejos de actuar independientemente de quienes los rodean, las personas hacen todo lo contrario. Ante la presión de los compañeros, los sujetos estudiantiles de Asch optaron por acompañar a la multitud incluso cuando la respuesta correcta era obvia. Los sujetos de Milgram tomaron decisiones en presencia de una autoridad que probablemente no habrían hecho en un contexto diferente. Y en solo unos días, los guardias de Zimbardo se convirtieron en un sorprendente nivel de brutalidad que presagió la debacle de la prisión de Abu Ghraib casi treinta años después (Wikipedia 2015a). Los individuos no son los únicos actores que están influenciados por otros actores. Por ejemplo, John Meyer, Woody Powell y Paul DiMaggio (y sus numerosos colaboradores) han demostrado que los grupos, las corporaciones y los estados nacionales no son más propensos a actuar de manera autónoma que los individuos (véase, por ejemplo, Meyer y Rowan, 1977; DiMaggio y Powell 1983; Powell y DiMaggio 1991; Meyer et al. 1997; Frank, Hironaka y Schofer 2000). Cuanto más interactúan entre sí, más se parecen entre sí con el tiempo. Lo hacen no necesariamente por razones instrumentales, sino para mantener su legitimidad ante los ojos de otros actores similares (DiMaggio y Powell 1983).
Cuando una práctica o estructura organizacional se entiende comúnmente como una característica definitoria de una organización "legítima" de cierto tipo, las elites organizacionales se sienten presionadas para instituir esa práctica o estructura. Si hay una norma cultural que dice: "Para que una organización sea una buena organización, debe tener la característica X", las organizaciones se sienten presionadas para instituir la característica X.
(Chaves 1997: 32–33)
De hecho, como veremos en el Capítulo 5, durante el siglo XX, era mucho más probable que las denominaciones religiosas aprobaran la ordenación de mujeres si tenían un vínculo con una denominación que ya había comenzado a ordenar a mujeres.
(Chaves 1996).
Figure 2.1 Nodos y enlaces

Lazos como conductos

Otra suposición es que los vínculos (es decir, las relaciones) entre los actores funcionan como conductos para el flujo de diversos tipos de “bienes” materiales y no materiales, como información, sentimientos, recursos financieros, normas, enfermedades, opiniones y confianza. Quizás, el ejemplo más conocido de esto sea el estudio de Granovetter (1973, 1974) sobre cómo las personas encontraron sus trabajos actuales. Descubrió que cuando se trataba de buscar trabajo, era mucho más probable que las personas usaran contactos personales que otros medios. Además, de los que encontraron su trabajo a través de contactos personales, la mayoría de esos contactos eran débiles (es decir, conocidos) en lugar de fuertes lazos (es decir, amigos cercanos). ¿Por qué? Debido a que nuestros lazos débiles tienen menos probabilidades de estar socialmente involucrados unos con otros que nuestros lazos fuertes. Por lo tanto, el conjunto de personas que forman nuestra red de conocidos tiende a ser relativamente escaso, mientras que el conjunto de personas que forman nuestra red de amigos cercanos tiende a ser relativamente denso. Considere el patrón de vínculos sociales sugerido por este argumento (Figura 2.3). [6]






Figure 2.3 Lazos fuertes y débiles

La mayoría de las personas tendrán algunos amigos íntimos, la mayoría de los cuales se conocen entre sí. Probablemente también tendrán varios conocidos, pocos de los cuales se conocen entre sí. Sin embargo, es probable que cada uno de estos conocidos tenga amigos íntimos por derecho propio, por lo que también es probable que estén integrados en sus propias redes, pero que sean diferentes de nuestro individuo original. Según Granovetter, los lazos débiles son importantes en términos de la estructura general de una red porque forman los puentes cruciales que unen grupos de personas densamente unidos. De hecho, sin ellos, tales grupos no estarían conectados en absoluto.
Esto llevó a Granovetter a argumentar que "lo que se difunda", ya sea información de trabajo, influencia, recursos, confianza, etc. - alcanzará a un mayor número de personas y viajará una mayor distancia social (es decir, la longitud del camino). ), cuando se pasa por lazos débiles en lugar de fuertes " (Granovetter 1973: 1366). Debido a esto, es más probable que los actores con pocos lazos débiles estén "confinados a las noticias y opiniones provinciales de sus amigos cercanos" (Granovetter 1983: 202). Además, los grupos o comunidades cuyos miembros carecen de vínculos débiles encontrarán más difícil movilizarse en nombre de un objetivo. Por ejemplo, al comparar dos intentos de organización comunitaria, uno que tuvo éxito y otro que no, Granovetter (1973: 1373–1376) argumentó que una diferencia clave entre los dos era que el fracaso no tenía los lazos débiles que necesitaba para vincularse. Sus diversos círculos sociales juntos. Esto lo dejó severamente fragmentado, algo que no pudo superar.

Esto no implica que los lazos fuertes tengan poco o ningún valor. Es más probable que los sentimientos de confianza y solidaridad se compartan entre los lazos fuertes que los débiles. Por lo tanto, si bien los lazos débiles les brindan a las personas acceso a información y recursos más allá de los disponibles en sus círculos sociales inmediatos, los lazos fuertes tienen una mayor motivación para ser fuentes de apoyo en tiempos de incertidumbre (Krackhardt 1992). De hecho, las personas con numerosos lazos fuertes tienen más probabilidades de ser más felices y gozar de mejor salud, lo cual es una de las razones principales por las que los feligreses frecuentes tienden a vivir más tiempo: es mucho más probable que estén integrados en redes que consisten en numerosos lazos fuertes (ver Capítulo 8). 


Estructura social y formaciones sociales emergentes.

Los científicos sociales se refieren con frecuencia al concepto de estructura social. Por este término, generalmente tienen en mente los patrones duraderos de comportamiento y relaciones dentro de los sistemas sociales (por ejemplo, roles) o las instituciones y normas sociales que se han incorporado a los sistemas sociales de tal manera que moldean el comportamiento. Las estructuras sociales “restringen quién está presente, dónde están, qué pueden hacer y cómo se relacionan entre sí. Esta estructura es tan real como los edificios que ocupan las personas ”(Turner 2006: 88). Sin embargo, si bien la estructura social puede ser tan real como los edificios que ocupan las personas, es notoriamente difícil de captar empíricamente, lo cual es una de las razones por las que muchos encuentran atractivo el ARS. El ARS conceptualiza las estructuras sociales en términos de patrones duraderos de vínculos entre los actores. Por lo tanto, proporciona un método para el estudio sistemático y empírico de las causas y consecuencias de la estructura social.
La mayoría de los analistas de redes sociales también sostienen que las interacciones repetidas entre actores (por ejemplo, individuos) pueden dar lugar a formaciones sociales emergentes (por ejemplo, grupos, organizaciones formales, naciones) que siguen su propia lógica y no pueden reducirse ni explicarse por sus partes constituyentes, incluso aunque siguen dependiendo de esas partes (Clayton y Davies 2006; White 2008). Los ejemplos de emergencias abundan en el mundo físico, como la combinación de hidrógeno (H) y oxígeno (O) en agua (H2O) (Smith 2010: 27). Y al igual que el agua, tales formaciones sociales emergentes no pueden ser reducidas o explicadas por completo por sus actores subyacentes, aunque aún dependen de ellos. En su lugar, adquieren una vida propia, lo que significa que los actores de todos los tipos y niveles, ya sean individuos, grupos, iglesias, denominaciones o naciones, pueden examinarse utilizando ARS sin la necesidad de examinar a los actores de nivel inferior. de los cuales se componen.

Ubicación estructural: creencias, normas, intenciones, comportamiento e identidad

Las formaciones sociales emergentes tienen el potencial de ejercer lo que se denomina causalidad descendente, por lo que ARS asume que las actitudes, creencias, intenciones, comportamiento e incluso sus identidades de los actores están en gran parte determinadas por su ubicación en la estructura social. Esta suposición está en desacuerdo con lo que muchos modernos creen que es verdad:
Los seres humanos llegan a creer en un mundo lleno de individuos continuos, auto-propulsados, cuidadosamente definidos, cuyas intenciones interactúan con accidentes y límites naturales para producir toda la vida social ...
Sin embargo, observados de cerca, estos mismos seres humanos interactúan repetidamente con otros, renegociando quiénes son, ajustando los límites que ocupan, modificando sus acciones en respuesta rápida a las reacciones de otras personas, seleccionando y modificando los guiones disponibles, improvisando nuevas formas de acciones conjuntas, frases de habla que nadie ha pronunciado antes, pero respondiendo de manera predecible a sus ubicaciones dentro de redes de relaciones sociales que ellos mismos no pueden trazar en detalle. (McAdam, Tarrow y Tilly 2001: 131)

Como veremos en el siguiente capítulo, la investigación ha encontrado repetidamente que las personas que están ubicadas estructuralmente (es decir, socialmente) cerca de un movimiento en particular, religioso o de otro tipo, son mucho más propensas a unirse a ese movimiento que las que no lo están (Lofland y Stark 1965; Snow, Zurcher y Ekland-Olson 1980; McAdam 1986, 1988b; Sageman 2004; véase también Stark 1996a: 13–21; Stark y Bainbridge 1980a). En otras palabras, las personas tienden a no unirse a grupos al azar. En cambio, es más probable que se unan a aquellos grupos donde ya conocen a alguien que a aquellos en los que no lo hacen.

Redes sociales dinamicas

Finalmente, el análisis de redes sociales asume que las redes son dinámicas. Siempre están cambiando a medida que los actores entran y salen de la red y cuando los vínculos se forman y se disuelven. Pueden crecer o reducir su tamaño, fragmentarse más o menos, o aumentar o disminuir su nivel de centralización. Los grupos de actores pueden agruparse en algunos puntos en el tiempo y no en otros, y los actores que fueron centrales en un punto pueden volverse menos tarde (y viceversa). Para complicar más las cosas, los actores también se mueven de una ubicación geográfica a otra, lo que potencialmente puede afectar las operaciones de una red. Históricamente, los datos de redes longitudinales han sido difíciles de obtener y los métodos para examinarlos no están desarrollados. De hecho, el clásico Análisis de redes sociales: Métodos y aplicaciones de Stanley Wasserman y Katherine Faust hace poca mención de las redes longitudinales.

Solo el capítulo final del libro analiza la importancia de desarrollar métodos buenos y fáciles de usar para examinar datos de redes longitudinales (Wasserman y Faust 1994: 730–731).
Afortunadamente, los datos de la red longitudinal son cada vez más comunes. Gran parte del análisis hasta la fecha ha sido en gran parte descriptivo, pero en los últimos años los analistas de redes sociales han desarrollado una serie de enfoques diferentes para separar patrones y procesos de datos longitudinales (Doreian y Stockman 1997; Breiger, Carley y Pattison 2003; Snijders 2005 ; Snijders, Bunt y Steglich 2010; Steglich, Snijders y Pearson 2010; de Nooy 2011; McCulloh y Carley 2011). Por más atractivos y prometedores que sean estos modelos, hasta ahora la mayoría no se incluyen en la categoría de "fácil de usar" de Wasserman y Faust y, a menudo, requieren software especializado.
En el Capítulo 10 veremos un ejemplo de estos métodos más avanzados cuando examinemos la evolución de la red de líderes anabaptistas del siglo XVI, una parte de la cual se involucró en uno de los episodios más violentos durante la Reforma Protestante: la Rebelión de Münster.

Resumen: Redes sociales, agencia humana y cultura.

La prioridad que el análisis de las redes sociales coloca en las relaciones entre los actores sobre los atributos individuales conduce inevitablemente a cuestiones de agencia y cultura humanas. En resumen, ¿el ARS deja espacio para el libre albedrío y los efectos de la cultura? Si y no. Algunas versiones lo hacen. Algunos no lo hacen. Mustafa Emirbayer y Jeff Goodwin (1994: 1424–1436) han identificado tres paradigmas de redes sociales a los que se adhieren la mayoría de los analistas de redes sociales: determinismo estructural, instrumentalismo y construccionismo. La determinación estructural ignora (o desestima) el posible papel causal que las creencias de los actores, Los valores y los compromisos juegan en términos de procesos sociales y cambios históricos.
Los primeros escritos de Harrison White (Boorman y White 1976; White, Boorman y Breiger 1976) reflejan este punto de vista, al igual que los del teórico de la red temprana Bruce Mayhew (1980, 1981). En lo que respecta a Mayhew, los individuos no son más que máquinas biológicas, y la conciencia humana es irrelevante para comprender el mundo social.

En contraste, el instrumentalismo estructural deja espacio para la agencia humana, pero lo enmarca únicamente en términos de elección racional, acción instrumental y maximización de la utilidad. El análisis de Roger Gould de la Comuna de París (1991, 1993b) y el trabajo de Nan Lin sobre el capital social (Lin 2001) son ejemplos, así como el trabajo de muchos de los teóricos de la elección racional que encontramos en el capítulo anterior (ver, por ejemplo, Stark y Bainbridge 1980a; Stark 1991, 1996a, 1996b; Finke y Stark 1992; Iannaccone, Finke y Stark 1997). Dado que existe amplia evidencia que respalda la premisa de que los actores responden a los incentivos (ver, por ejemplo, Becker 1976; Iannaccone 1995; Levitt y Dubner 2005; Berman 2009), este enfoque claramente mejora con respecto al anterior. Sin embargo, no deja de tener sus críticos.

El construccionismo estructural, como el instrumentalismo estructural, toma en serio el papel de la agencia humana, pero a diferencia del instrumentalismo estructural, considera a los actores motivados por preocupaciones adicionales, como normas, valores, compromisos culturales e identidades colectivas e individuales. David Knoke, por ejemplo, sostiene que "una comprensión sofisticada de ...
la acción requiere combinar restricciones culturales, racionales y estructurales en especificaciones complejas para problemas sustantivos dados ”(Knoke 1990: 19). Los estudios de Doug McAdam sobre Freedom Summer (McAdam 1986, 1988a, 1988b) ilustran este enfoque, al igual que los escritos posteriores de Harrison White (1992, 2008), con su énfasis en la importancia de las narraciones, las historias y las redes de significado.

Si bien las metodologías de redes sociales tienden a ser agnósticas en temas de estructura, cultura y agencia humana, a menudo ayuda a hacer distinciones analíticas entre las influencias culturales, los compromisos normativos y las preocupaciones instrumentales de los actores. Considere, por ejemplo, los problemas que rodean la recopilación de datos de la red de parentesco. Lo que constituye una red de parentesco en Occidente puede diferir considerablemente de lo que constituye una en algunas culturas de Oriente Medio y Asia. Por lo tanto, si un analista codificara una red de parentesco del Medio Oriente guiada por suposiciones occidentales, los datos resultantes podrían resultar absolutamente inútiles. Además, como los lazos instrumentales pueden ejercer efectos diferentes sobre los actores que los culturales, solo tiene sentido metodológico explicarlos por separado.

 2.4 Términos y conceptos

 Actores y lazos

Como se señaló anteriormente, los actores pueden venir en todas las formas y tamaños (por ejemplo, individuos, grupos, sinagogas, denominaciones y naciones). Lo mismo se puede decir de los empates. Pueden variar en términos de tipo, fuerza y ​​direccionalidad. Los tipos de vínculos incluyen (pero no se limitan a) vínculos de sentimientos (por ejemplo, amistad, conocidos, gustos y disgustos), biología (por ejemplo, cónyuge, hermano, primo), afiliación compartida (por ejemplo, miembros de la misma iglesia, mezquita, sinagoga, u organización ecuménica), comunicación (p. ej., cadenas de oración, llamadas telefónicas, correos electrónicos, tweets), etc. Además, los lazos pueden variar de fuerte a débil (Granovetter 1973, 1974) aunque el corte entre un lazo fuerte y uno débil no siempre es obvio (Krackhardt 1992), ni la distinción entre un lazo débil y el numeroso, aleatorio, y generalmente Encuentros no repetidos que experimentan los actores a diario (Azarian 2005: 37). Algunos lazos tienen direccionalidad (arcos), mientras que otros no (bordes) ambos captan el flujo de recursos de un actor a otro, la comunicación entre actores (por ejemplo, el actor A puede enviar repetidamente correos electrónicos al actor B, pero B no responde), cuyos actores buscan el consejo de otros actores (Krackhardt 1992), y así en. Finalmente, la mayoría de los actores están conectados a otros por múltiples vínculos (consulte, por ejemplo, la discusión de los datos del monasterio Sampson en los siguientes párrafos); de hecho, uno de los desafíos del ARS es determinar qué vínculos deben modelarse.

Red social

Una red social es un conjunto infinito o conjuntos de actores que comparten lazos entre sí (Wasserman y Faust 1994: 21). La figura 2.4 representa una red social hipotética en la que los círculos representan actores y las líneas representan vínculos o relaciones. [7]Como se ilustra, los actores a menudo se agrupan en subgrupos relativamente distintos. Además, algunos están incrustados en el centro de estos subgrupos, mientras que otros se ubican más en la periferia, a veces sirviendo de puentes entre subgrupos. [8] Las redes sociales varían en tamaño. La Figura 2.5, por ejemplo, presenta un mapa de red de los datos del monasterio de Sampson, que es una red relativamente pequeña (dieciocho actores). Los datos fueron registrados por Samuel Sampson (1968), quien pasó un año en un monasterio católico romano a fines de la década de 1960 observando las interacciones sociales entre un grupo de novicios (es decir, hombres que se preparan para unirse a una orden monástica). Durante su estadía, se desarrolló una "crisis en el claustro" como reacción a los cambios introducidos por el Concilio Vaticano II; dio lugar a la expulsión de cuatro novicios y la salida voluntaria de varios otros. [9] Basándose en sus observaciones, Sampson dividió (es decir, clasificó, dividió) a los novicios en cuatro grupos: (1) los turcos jóvenes, (2) la oposición leal, (3) los marginados y (4) los neutrales. Los jóvenes turcos llegaron más tarde que los otros novicios y cuestionaron algunas de las prácticas del monasterio, que luego fueron defendidas por miembros de la oposición leal, la mayoría de los cuales asistieron al seminario juntos antes de llegar al monasterio. Los marginados fueron aquellos que no fueron aceptados en el grupo más grande, y los neutrales fueron aquellos que no tomaron partido en el debate. Sampson codificó cuatro tipos de vínculos de sentimiento (es decir, como, aversión, estima, desazón). Hizo que cada novato clasificara sus tres mejores opciones para cada tipo de empate, aunque algunos ofrecieron rangos empatados para sus cuatro mejores opciones. Todos los vínculos se registraron en un solo período de tiempo, excepto el "gusto", que se registró en varios. Tenga en cuenta que no todos los vínculos eran recíprocos (las flechas no apuntaban en ambas direcciones). Por ejemplo, Ambrose indicó que le gustaba Winfrid, pero al parecer Winfrid no sentía lo mismo.



Figura 2.4 Red social hipotética

La Figura 2.6 presenta una red un poco más grande, la red interdenominacional de los Estados Unidos de 1985 donde los actores son denominaciones (por ejemplo, la Iglesia Episcopal) y los vínculos entre ellos indican que comparten al menos una afiliación ecuménica común (por ejemplo, el Consejo Nacional de Iglesias, el Consejo Nacional de Iglesias, Asociación de Evangélicos). [10]
Como se puede ver, hay dos grupos principales. Como era de esperar, uno consiste principalmente en denominaciones protestantes de la línea principal y el otro principalmente en denominaciones evangélicas protestantes. Sin embargo, hay un puñado de denominaciones con vínculos entre ambos grupos, la Iglesia de los Hermanos, la Conferencia General Bautista y la Iglesia Evangélica, y como tales están yaciendo en una posición de arbitraje en la red.


Figure 2.5 Monasterio de Sampson, me gusta 3 veces


Las redes en las Figuras 2.5 y 2.6 son lo que los analistas de redes sociales llaman redes de modo único. Las redes de modo único consisten en un solo conjunto de actores, tales como personas, grupos, familias, tribus, organizaciones, corporaciones, estados-nación, etc. Las redes de modo doble se diferencian de las redes de modo único en que ambos consisten de dos conjuntos de diferentes actores, o un conjunto de actores y un conjunto de eventos o afiliaciones. Los ejemplos de redes de dos modos incluyen membresía en varias organizaciones, asistencia a eventos particulares, empleados en una compañía en particular, etc.

La Figura 2.7 presenta un ejemplo de una red de dos modos. Es la misma red denominacional que se presenta en la Figura 2.6, excepto que aquí se muestran tanto las denominaciones como las organizaciones ecuménicas (y los vínculos entre ellas).



Figura 2.6 Red interconfesional de los EE. UU., 1985 [análisis del autor de los datos utilizados en Chaves (1996)]


Sendero (y Distancia de sendero)

Un sendero se define como un camino (es decir, una secuencia de actores y vínculos) en la que ningún actor entre el primer y último actor de la caminata se produce más de una vez, mientras que la distancia de recorrido entre dos actores es el número de pasos entre los dos actores. En la Figura 2.4 puede trazar un camino desde el actor 9 al actor 19 hasta el actor 15, y el camino desde el actor 6 al actor 11 hasta el actor 1. En ambos casos, la distancia entre los actores es dos (es decir, dos pasos). Es bastante común que haya numerosos caminos entre actores. La ruta más corta entre dos actores se denomina geodésica, y la geodésica más larga de una red se considera el diámetro de la red. Los actores que pueden alcanzarse entre sí a través de una ruta se consideran en el mismo componente. Las redes pueden tener múltiples componentes, y en tales casos, se consideran desconectadas. El componente más pequeño que puede tener una red es un solo actor sin vínculos con otros actores. Estos actores individuales se conocen como aislados.


Figura 2.7 Denominación y red de organización ecuménica de USA, 1985 [análisis de datos del autor usado en Chaves (1996)]

Quizás los estudios más conocidos sobre la distancia del camino son los pequeños estudios mundiales de Stanley Milgram y sus colegas (Milgram 1967; Travers y Milgram 1969; Korte y Milgram 1970), que intentaron descubrir qué tan lejos, en promedio, están los individuos seleccionados al azar de uno otro (en términos de distancia de trayectoria). Usando una técnica creativa para pasar mensajes, Milgram envió un paquete a las personas que viven en Wichita (Kansas), Omaha (Nebraska), Boston (Massachusetts) y Los Ángeles (California).A las personas que viven en Wichita se les pidió que enviaran los paquetes a la esposa de un estudiante de la escuela de divinidad que vive en Boston. Se pidió a las personas que viven en Omaha y Boston que envíen los paquetes a una sola persona objetivo: un agente de bolsa de Sharon, Massachusetts, que trabajaba en Boston. Y se pidió a las personas que viven en Los Ángeles que envíen los paquetes a una de las dieciocho personas objetivo (todos varones, nueve negros y nueve blancos) ubicados en todo el país.
La tabla 2.1 presenta los resultados de los estudios. En el estudio de Nebraska, 217 de las 296 personas iniciales enviaron los documentos a sus amigos, pero al final solo 64 de las 296 letras llegaron a la persona objetivo, con una longitud promedio de 5.2 pasos. [11] Milgram no publicó los resultados de su estudio de Kansas, fue más bien un estudio piloto, pero muy pocas de las cartas llegaron hasta la persona objetivo. Sin embargo, mencionó en un artículo de 1967 de Psychology Today que cuatro días después de enviar los paquetes, un instructor del Seminario Teológico Episcopal en Boston se acercó a la persona objetivo en la calle. "Alice", dijo, entregándole un paquete. , “Esto es para ti”. Evidentemente, el paquete se envió inicialmente a un granjero, quien luego lo pasó a un sacerdote episcopal en su ciudad natal, quien luego lo envió al instructor que enseñó en el seminario episcopal en Boston. que luego se lo dio a la persona objetivo. Resultó que esta era una de las cadenas más cortas que Milgram había encontrado: la cantidad de intermediarios oscilaba entre uno y diez. El estudio de Los Ángeles fue el más grande: 540 individuos recibieron paquetes, de los cuales 123 llegaron a la persona objetivo (21 por ciento) con una longitud de ruta promedio de alrededor de 5.6 pasos. Curiosamente, sin embargo, cuando la persona objetivo era blanca, la cadena tenía casi tres veces más probabilidades de completarse y la longitud del camino era casi la mitad de un paso más corta. [12]

Cuando Milgram habló con grupos de personas sobre sus estudios, a menudo les preguntaba cuántos pasos pensaban que les llevaría obtener una carta de un lugar a otro. Por lo general, estimaban el número en cientos. El resultado fue más cercano a seis, que es donde se origina la frase "seis grados de separación". Y aunque la idea de que dos individuos en el mundo solo están separados por "seis grados de separación" es ahora parte de la cultura estadounidense, en el momento del estudio de Milgram, la mayoría encontró los resultados bastante sorprendentes.




Topografía

La topografía de Anetwork puede variar en varias dimensiones. Por ejemplo, los analistas pueden medir el tamaño de una red (el número de actores en una red), su distancia promedio (la longitud promedio de las geodésicas entre todos los actores en una red) y su diámetro. Dos de las medidas topográficas más comunes son la densidad y la centralización.
Densidad captura la interconexión de una red y es igual a la relación de vínculos reales con vínculos posibles. Desafortunadamente, la medida formal de la densidad está inversamente relacionada con el tamaño de la red (es decir, todo lo demás es igual, la densidad de las redes más grandes tiende a ser menor que la densidad de las redes más pequeñas). Por lo tanto, los analistas de redes sociales a menudo recurren a medidas alternativas para capturar la interconexión de una red, como la centralidad del grado promedio, el coeficiente de agrupamiento y la cohesión / fragmentación. La centralización mide la medida en que una red está centralizada en torno a un solo actor o un puñado de actores.
Existen múltiples medidas de centralización, y varían en términos de la medida en que se utiliza la centralidad (consulte la descripción de las medidas básicas de centralidad en los párrafos siguientes). La medida de centralización estándar, que generalmente se denomina centralización de red, calcula una puntuación de varianza en función de la diferencia entre la puntuación de centralidad de cada actor y la puntuación de centralidad más alta de la red. Una medida alternativa (varianza / desviación estándar) calcula una puntuación de varianza en función de la diferencia entre la puntuación de centralidad de cada actor y la puntuación de centralidad media en la red. Para ambos, cuanto mayor sea el nivel de varianza, mayor será el grado de centralización. Las redes densas suelen consistir en numerosos vínculos fuertes y muy pocos débiles, mientras que las redes dispersas son todo lo contrario.

Algunas veces se hace referencia a las primeras como redes provinciales, mientras que a las segundas se les llama cosmopolita (Everton 2012a, 2012b), y las investigaciones existentes sugieren que las redes que se encuentran en algún lugar entre los dos extremos (¿redes suburbanas?) Son más efectivas o resistentes que aquellas que no (Pescosolido y Georgianna 1989; Uzzi 1996; Uzzi y Spiro 2005). De hecho, en el Capítulo 8, veremos que las personas cuyas redes no son ni demasiado densas ni demasiado dispersas tienen menos probabilidades de suicidarse que aquellas cuyas redes están más cerca de los extremos. De manera similar, los estudios indican que las redes que no están ni demasiado centralizadas ni demasiado descentralizadas son más efectivas que las que se encuentran en los extremos. ¿Por qué? Por un lado, un alto nivel de centralización puede proporcionar a las organizaciones un comando y control sustanciales sobre sus operaciones, pero puede hacer que se adapten lentamente a un entorno cambiante. Por otro lado, las organizaciones que están altamente descentralizadas pueden cambiar de rumbo rápidamente, pero pueden carecer del comando y el control necesarios para que todos estén en la misma página.

Por ejemplo, Rodney Stark (1996b) descubrió que los movimientos religiosos que mantienen un equilibrio entre los extremos topográficos tienen más probabilidades de sobrevivir (y prosperar) más allá de la primera generación. Señala que es crucial que los movimientos religiosos sean lo suficientemente densos (es decir, fuertes vínculos internos) para reforzar las normas y controlar el comportamiento, pero no tanto que se separen de la sociedad que lo rodea.
También deben estar lo suficientemente centralizados para que sus líderes posean autoridad suficiente para ejercer influencia sobre sus movimientos, pero no hasta el punto de que los no líderes estén motivados para trabajar en nombre del grupo. Sostiene a la Iglesia de Jesucristo de los Santos de los Últimos Días (es decir, SUD, Iglesia Mormona) como ejemplo:
Sería erróneo enfatizar solo la naturaleza jerárquica de la autoridad SUD y sus aspectos autoritarios, ya que los Santos de los Últimos Días muestran un grado sorprendente de participación de aficionados en todos los niveles de su estructura formal. Además, este cuerpo altamente autoritario también muestra niveles extraordinarios de democracia participativa, en gran medida los santos de rango son la iglesia.
Un aspecto central de esto es que, entre los Santos de los Últimos Días, ser sacerdote es un papel no remunerado a tiempo parcial que se espera que cumplan todos los hombres comprometidos.

(Stark 2005: 125)

Subgrupos (Clusters, Subredes)

Un enfoque importante del ARS es identificar subgrupos de actores "entre los cuales hay vínculos relativamente fuertes, directos, intensos y / o positivos" (Wasserman y Faust 1994: 249). Al igual que con la topografía de la red, existen numerosos métodos para identificar grupos de actores, aunque todos asumen que los vínculos entre los miembros del subgrupo deberían ser más numerosos que los vínculos entre los miembros de otros grupos.

La Figura 2.8 presenta los mismos datos del monasterio Sampson que vimos en la Figura 2.5, excepto que aquí lo que se llama un algoritmo de detección de la comunidad se ha utilizado para identificar subgrupos dentro de la red. Aunque en este caso probablemente no necesitábamos un algoritmo para clasificar a los novatos en distintos grupos, la identificación de subgrupos a menudo no es tan sencilla como aquí, por lo que los algoritmos de agrupamiento pueden ser muy valiosos. Los más comunes son los componentes (débil y fuerte), camarillas, k-núcleos, algoritmos de detección de la comunidad y facciones. Como veremos en el Capítulo 9, también hay algoritmos para tener en cuenta los vínculos positivos y negativos. Vea el Apéndice A para la discusión de estos.


Figura 2.8 Monasterio de Sampson, me gusta el tiempo 3 con detección de la comunidad

Centralidad

La mayoría de las redes sociales contienen personas u organizaciones que son más centrales que otras, y debido a esto, disfrutan de un mejor acceso a los recursos y están en mejores posiciones para difundir información. Los analistas de redes sociales han identificado varias medidas de centralidad, cada una basado en diferentes supuestos de lo que significa que un actor sea central. Cuatro de las medidas más comunes son
  • centralidad del grado, que es un recuento del número de vínculos de un actor
  • centralidad de cercanía, que mide, en promedio, qué tan cerca (en términos de distancia de trayectoria) cada actor está con respecto a todos los demás actores en una red
  • centralidad de intermediación, que mide la medida en que cada actor se encuentra en el camino más corto entre todos los demás actores de una red
  • centralidad eigenvector, que asume que los vínculos con actores altamente centrales son más importantes que los vínculos con actores periféricos, por lo que pone en valor los vínculos resumidos de un actor con otros actores por su centralidad
La Figura 2.9 presenta una red de líderes anabaptistas del siglo XVI donde el tamaño de cada nodo varía en términos de su grado de centralidad. Como lo ilustra, algunos líderes anabaptistas tenían muchos más lazos que otros. John Hut, en particular, se destaca, pero hay otros, como Balthasar Hubmaier y Oswald Glait, que tenían numerosas conexiones. Otro actor incluido en la red, Ulrich Zwingli, no era un anabaptista, pero tuvo una profunda influencia en el movimiento anabaptista, por lo que está incluido en la red. Quizás lo más interesante es la forma en que se encuentra Menno Simons en la red, ya que uno de los grupos anabaptistas más prominentes que existen en la actualidad toma su nombre (es decir, los menonitas).
Figura 2.9 Red de líderes anabaptistas del siglo XVI (grado centralidad)


Intermediarios y puentes

Los puentes son lazos que cubren las brechas en una red social; Los corredores son actores que hacen a un lado tales puentes. Se puede considerar que ambos están en posición de controlar el flujo de recursos a través de una red. En términos de la Figura 2.4, los bordes entre el actor 15 y los actores 6, 8 y 9 podrían considerarse puentes, mientras que los cuatro actores mismos serían considerados intermediarios. Dicho esto, debido a que el actor 15 deja de lado los tres puentes, mientras que los otros tres actores solo tienen uno, el actor 15 está claramente en una posición de correduría más que los actores 6, 8 y 9. De hecho, si el actor 15 dejó la red , se fragmentaría en dos redes separadas. En lugar de tratar de adivinar quiénes son los corredores y qué vínculos son puentes, se han diseñado numerosos algoritmos para detectarlos.

La Figura 2.10 presenta la red de la Figura 2.4, excepto que ahora el tamaño del nodo refleja la medida de los orificios estructurales de Ronald Burt (1992b), quizás la mejor medida de corretaje conocida, y el ancho de los lazos refleja la centralidad del borde, una métrica que a veces se usa Detectar puentes entre agrupaciones. Cuanto más grande es el nodo, más potencial de intermediación posee, y cuanto más grueso es el lazo, más probable es que sea un puente. Aquí podemos ver que el actor 15 posee un potencial de intermediación considerable, pero parece que el vínculo con el actor 9 es más crucial que los vínculos con el actor 6 y el actor 8. El actor 1 también está en una posición de intermediación, principalmente debido a su Lazos con los actores 12 y 14.



Figura 2.11 Liderazgo en la red de anabautistas del Siglo XVI (intermediarios y puentes)

En la Figura 2.11 se presenta un análisis similar de la red de líderes anabaptistas del siglo XVI. Aquí nuevamente, cuanto más grande es el nodo (centralidad de intermediación), mayor potencial de intermediación posee, mientras más grueso es el empate (intermediación de borde), más probable es que sea un puente. Al buscar una combinación de nodos más grandes al lado de los lazos más gruesos, parece que Oswald Glait y Caspar Schwenckfeld pueden haber funcionado como intermediarios en esta red de liderazgo.


Roles y Posiciones

Los analistas de redes sociales generalmente analizan los datos de la red de una de las dos maneras siguientes: (1) un enfoque de conectividad social o relacional o (2) un enfoque de posición (Emirbayer y Goodwin, 1994). El primero se centra en los vínculos directos e indirectos entre los actores y busca explicar el comportamiento y los procesos sociales a la luz de esos vínculos (Emirbayer y Goodwin, 1994: 1419). En contraste, el enfoque posicional busca identificar actores estructuralmente equivalentes, es decir, actores que pueden o no tener vínculos entre sí pero que tienen una posición similar dentro de una red social particular (por ejemplo, los pastores de diferentes congregaciones, los presidentes de departamentos de estudios religiosos en diferentes instituciones académicas, jefes de diferentes denominaciones, etc.). Este enfoque supone (entre otras cosas) que es probable que los actores estructuralmente equivalentes se comporten de manera similar, independientemente de si existe un vínculo entre ellos.

Se pueden observar posiciones estructuralmente equivalentes observando a los actores a los que se relaciona un particular (por ejemplo, un pastor interactúa con los congregantes; el presidente de un departamento de estudios religiosos interactúa con estudiantes graduados, otros profesores, presidentes de otros departamentos y administradores universitarios; el jefe de una denominación interactúa con otros oficiales denominacionales y varias organizaciones ecuménicas).
"El tema relevante desde este punto de vista es la 'posición' o 'rol' específico que un conjunto de actores ocupa dentro del sistema en su conjunto. Cualquier conjunto de este tipo se denomina "bloque" (Emirbayer y Goodwin 1994: 1422), y el proceso mediante el cual se identifican dichos bloques se denomina modelado de bloques (White, Boorman y Breiger 1976). Los analistas han desarrollado varios tipos diferentes de algoritmos para identificar actores estructuralmente equivalentes (por ejemplo, equivalencia estructural, equivalencia automórfica, equivalencia regular) y múltiples algoritmos dentro de cada uno de estos tipos.

Análisis explicativo de redes sociales: QAP, ERGM y SAOM

Los métodos de las redes sociales se pueden clasificar en dos grandes categorías: exploratorias y explicativas. Los métodos exploratorios son aquellos que pueden ayudar a los analistas a identificar actores centrales, resaltar aspectos sobre la estructura de una red, ubicar subgrupos, iluminar corredores y puentes y encontrar actores estructuralmente equivalentes. Aunque estos métodos son bastante comunes y útiles, solo ayudan a los analistas a describir los datos de la red. No nos permiten entender las causas subyacentes de los patrones y tendencias observados. Por el contrario, los métodos explicativos se centran más en la verificación de los hallazgos que surgen de los análisis exploratorios y cualitativos. Una manera de pensarlo es que los análisis exploratorios pueden ayudarnos a desarrollar hipótesis mientras que los enfoques explicativos, como QAP, ERGM y SAOM, pueden ayudarnos a probarlos.

Debido a que los datos de las redes sociales rara vez son aleatorios y "violan" (por definición) el supuesto de independencia observacional, los analistas de redes sociales han desarrollado varios modelos que dan cuenta de la singularidad de los datos de las redes sociales. Los tres más comunes son el procedimiento de asignación cuadrática (QAP), los modelos de gráficos aleatorios exponenciales (ERGM) y los modelos orientados a actores estocásticos (SAOM). QAP es similar a los modelos de regresión estándar, excepto que usa un método análogo al bootstrapping para estimar los errores estándar y la significación estadística. Los ERGM y SAOM son más singulares, ya que examinan cómo una red social observada es una función de los patrones subyacentes de vínculos (por ejemplo, díadas, triángulos, etc.). Los ERGM se usan generalmente para redes sociales en un solo punto en el tiempo, [13] mientras que los SAOM están diseñados para datos longitudinales.
Consideramos QAP y ERGM en el Capítulo 3, y SAOM en el Capítulo 10.

Atributos

Si bien el análisis de redes sociales se centra principalmente en el patrón de vínculos entre los actores, la mayoría de los analistas de redes sociales no ignoran completamente los datos de atributos, que son características de los actores individuales. Si los actores en una red son individuos, entonces los datos de atributos incluyen cosas como género, raza, etnia, años de educación, nivel de ingreso, edad, etc. Si los actores son organizaciones, las variables de atributos pueden ser aquellas que indican el tamaño (por ejemplo, número de miembros), edad, tipo (por ejemplo, denominación), etc. Y si los actores son países, las variables de atributo incluirían medidas como el PIB per cápita o el tamaño de la población. Las medidas de centralidad (una vez calculadas) también son atributos de los actores. A veces, el límite entre los atributos y las afiliaciones puede ser algo borroso. Como regla general, algo es una afiliación si la participación de dos actores indica una relación (por ejemplo, membresía en una organización ecuménica), pero también es posible que una afiliación funcione como un atributo.


2.5 Datos de la red social

Los científicos sociales se han basado en tres tipos de datos de red en sus estudios de la interacción de la religión y las redes sociales: recuentos de vínculos de red, datos de la red del ego y datos de toda la red. El primero, los recuentos de vínculos de red, es el más común, pero no captura adecuadamente las redes en las que los individuos están integrados.
El segundo, los datos de la red del ego, representa una mejora con respecto a un simple conteo de vínculos, pero todavía tiene limitaciones. El último, todos los datos de la red de trabajo, es el tipo ideal de datos, pero es el más lento de recopilar.

Recuento de enlaces

La forma más común de datos de red utilizados por los científicos sociales que estudian la religión son los recuentos de vínculos. Estos recuentos se suelen recopilar a través de encuestas con preguntas como "¿Cuántos de tus amigos cercanos asisten a la misma iglesia (templo, sinagoga) que tú?"
Desafortunadamente, tales preguntas no logran captar el contexto social en el que están incrustadas las creencias y prácticas religiosas. No sabemos, por ejemplo, si alguno de los amigos íntimos de un encuestado tiene vínculos entre sí. Por ejemplo, en la Figura 2.12 es totalmente posible que algunos de los amigos de A (nodos grises) estén conectados (atados) entre sí. [14]
Lo mismo puede ocurrir con los amigos de B. Además, es posible (probable) que el nivel de interconexión de los amigos de A difiera del nivel de interconexión de los amigos de B. Sin embargo, con solo conteos de empates, no hay manera de saberlo. Como consecuencia, "la mayor parte de la investigación cuantitativa sobre la religión estadounidense se basa ahora en encuestas de individuos desconectados, con el resultado de que el contexto social de la religión está oculto" (Cheadle y Schwadel, 2012: 1198). Esto no sugiere que los académicos estén necesariamente felices con este estado de cosas, pero sus manos están "atadas por el diseño y el método" (Cheadle y Schwadel 2012: 1199). El uso de los datos de la red del ego mejora algo esta situación.



Figura 2.12 Conteo de enlaces


Redes de ego

Un enfoque centrado en el ego se enfoca en un actor (típicamente denominado "ego"), el conjunto de actores (es decir, alteraciones, vecinos) que tienen vínculos con el actor y las relaciones entre las alteraciones del ego. En general, hay dos formas de obtener datos de la red del ego. Una forma es usar datos de toda la red (consulte la discusión en la siguiente sección) y luego extraer las redes del yo de un actor o conjunto de actores. La otra es encuestar una muestra aleatoria de individuos de quienes luego se recopilan datos de la red del ego. A cada persona encuestada generalmente se le solicita un conjunto de contactos (Burt 1984, 1985) que usan preguntas como: "Mirando hacia atrás en los últimos seis meses, ¿quiénes son las personas con las que discutió asuntos importantes para usted?" Después de proporcionar una lista de contactos , luego se le pregunta a él o ella acerca de los vínculos (si los hay) entre los contactos (por ejemplo, si se conocen, asisten a la misma iglesia, son amigos, etc.), así como varios atributos de los demás. (por ejemplo, género, raza, nivel de educación, etc.). Esto produce una estructura de datos similar a la que se muestra en la Figura 2.13. Tenga en cuenta que estos son los mismos actores que los de la Figura 2.12, pero ahora podemos ver los lazos entre los amigos íntimos de A y B. De un vistazo, podemos ver que la red del ego de A es más densa que la red del ego de B.

Aún así, los datos de la red del ego son limitados porque no podemos saber si hay conexiones entre la red del ego de A y la red del ego de B. Además, las únicas propiedades que pueden estudiarse son el tamaño (número de conexiones del ego), la densidad (la medida en que los contactos del ego están vinculados entre sí), la fuerza de los lazos que conectan al ego con sus conexiones y la intermediación. potencial entre el ego y sus conexiones (Prell 2011). [15] Además, como lo han documentado varios estudios recientes (Fischer 2009; Paik y Sanchagrin 2013; Eagle y Proeschold-Bell 2015), los datos de la red del ego pueden ser sensibles a los efectos del entrevistador. Idealmente, los científicos sociales recopilarán y utilizarán datos de toda la red cuando estudien religión, pero desafortunadamente, los datos de toda la red son los más difíciles y los que más tiempo consumen. Aunque los datos de la red del ego tienen algunas limitaciones, se prestan a ciertos tipos de análisis. Borgatti, Everett y Johnson (2013: 270) señalan que la investigación de la red del ego se puede dividir en dos grandes campos: uno centrado en el capital social y otro centrado en la homogeneidad social. El primero examina cómo el éxito es una función de los recursos y el apoyo que los lazos de un individuo le proporcionan, mientras que el segundo explora cómo los lazos de los actores influyen en sus actitudes y comportamiento.

Una de las características atractivas de los datos de la red del ego es que si los datos se recopilan a través de una encuesta de muestreo aleatorio, los resultados se pueden generalizar a la población más grande..


Figura 2.13 Red hipotética del ego


Redes completas

Los datos de toda la red (también conocidos como datos completos, datos completos) incluyen, al menos en teoría, todos los actores relevantes, así como todos los vínculos relevantes entre los actores. La figura 2.14 presenta una red completa o completa. Los datos de toda la red mejoran los datos de la red del ego porque no solo incluyen vínculos entre las alteraciones del ego, sino también porque incluyen vínculos entre los egos y los altera de diferentes egos. Por lo tanto, podemos ver dónde están incrustados A y B dentro de la red. En este caso, A se encuentra en el centro de la red, mientras que B se encuentra en la periferia. [16]Además, este es el tipo de datos para el cual están diseñados la mayoría de los algoritmos de análisis de redes sociales. El principal inconveniente, sin embargo, es la dificultad y la dificultad que implica la recopilación de dichos datos.Toda la red social de datos ha sido registrada tradicionalmente en matrices. La Figura 2.15 presenta un ejemplo de una red monomodo, los datos del monasterio de Sampson en el momento de "gustar" 3. [17] Las redes monomodo siempre producen matrices cuadradas porque cada actor aparece como una fila y una columna.

La Figura 2.16 presenta un ejemplo de una red de dos modos; es la red denominacional de los Estados Unidos que se muestra en la Figura 2.7, excepto que aquí es para el año 1955. Como se señaló anteriormente, las redes de dos modos se diferencian de las redes de un solo modo en que ambas consisten en dos conjuntos de actores diferentes, o un conjunto de Actores y un conjunto de eventos o afiliaciones. Las redes de dos modos rara vez producen matrices cuadradas, ya que el número de actores en los diferentes modos rara vez es el mismo. Aquí, las filas son denominaciones y las columnas son organizaciones ecuménicas.





Figure 2.16 Red de dos modos de la organización denominacional y ecuménica de USA, 1985


Límites y lazos

Una preocupación importante en el estudio de redes sociales es qué actores y vínculos se deben incluir en la red. A veces, el límite entre quién está y quién no está es relativamente claro. A menudo no lo es. Edward Laumann, Peter Marsden y David Prensky (1983, 1989) señalan que los investigadores adoptan varios enfoques para determinar los límites de sus redes.
El objetivo debe ser "encontrar un conjunto de actores con una separación relativamente buena del resto del mundo", de la que podamos sacar conclusiones razonables (Erickson 2001: 317). Sin embargo, esto es mucho más fácil decirlo que hacerlo. Algunos investigadores adoptan el "punto de vista de los actores mismos ... [y] la red se trata como un hecho social solo porque los actores que la componen la experimentan conscientemente ... (Laumann, Marsden y Prensky 1983: 20). Por lo tanto, los actores y sus vínculos solo se incluyen en la medida en que otros actores los consideran parte de la red (Knoke y Yang 2007: 15). Otros imponen un marco a priori basado en las preocupaciones teóricas del analista (Wasserman y Faust 1994; Knoke y Yang 2007). “Por ejemplo, un investigador podría estar interesado en estudiar el flujo de mensajes informáticos entre los investigadores en una especialidad científica. En tal estudio, la lista de actores podría ser la colección de personas que publicaron artículos sobre el tema en años anteriores. La lista se construye para los propósitos analíticos del investigador, aunque los científicos mismos podrían no percibir que la lista constituye una entidad social distintiva ”(Wasserman y Faust 1994: 32). Los analistas a menudo refinan estos dos enfoques al centrarse en ciertas características de una red, como los atributos de los actores (por ejemplo, membresía en un grupo), tipos de relaciones (por ejemplo, amistad, negocios) o participación en eventos (por ejemplo, grupo de estudio , coro) (Laumann, Marsden, y Prensky 1983: 22).

2.6 Recopilación de datos de redes sociales

Los analistas de redes sociales recopilan datos de redes sociales de diversas maneras. Los más comunes son cuestionarios, entrevistas, observación directa y registros escritos (Wasserman y Faust 1994: 45–54). [18] Más recientemente, el acceso a "big data" ha abierto nuevas oportunidades para los analistas de redes sociales.

Cuestionarios

Los cuestionarios son un método común para recopilar datos de redes sociales, especialmente cuando los actores son individuos. Contienen preguntas acerca de quiénes son las personas que consideran amigos, a quién acuden para pedir consejo, con quién se comunican regularmente (por ejemplo, hablar cara a cara, correo electrónico, teléfono), etc. Dichos datos pueden ser registrados de forma simétrica o asimétrica. Digamos, por ejemplo, que el actor A considera que el actor B es un amigo, pero B no considera que A sea un amigo. En tal caso, los investigadores pueden registrar los datos como lo hizo Krackhardt (es decir, asimétricamente) al colocar un “1” en la celda “A – B” de la matriz y un “0” en la celda “B – A” de la matriz, o pueden registrarla simétricamente colocando un “0” en ambas celdas bajo el supuesto de que solo existe un vínculo de amistad si ambos actores indican que consideran al otro como un amigo. Los analistas utilizan varios formatos para recopilar datos de redes sociales mediante cuestionarios; se clasifican en tres categorías amplias: (1) lista frente a recordación gratuita, (2) libre vs. arreglado elección y (3) clasificaciones frente a clasificaciones completas (Wasserman y Faust 1994: 45).

 Lista de opciones frente opciones abiertas. En ocasiones, los analistas presentan a cada encuestado una lista completa de los actores de la red o les permiten generar una lista de nombres. Las listas solo se pueden usar cuando los investigadores conocen a los miembros de la red antes de recopilar datos (Wasserman y Faust 1994: 46). Esto, por supuesto, plantea el problema de los límites de la red discutido anteriormente: ¿cómo saben los investigadores a priori qué actores pertenecen a una red y cuáles no? Cuando se trabaja con una organización autónoma (por ejemplo, una pequeña empresa de alta tecnología), esto es a veces relativamente obvio (al menos para los fines del estudio), pero no siempre es tan claro. En este último caso, generalmente es recomendable utilizar el enfoque de recuperación gratuita.

Elección libre frente a opción fija. En algunos diseños de red, los analistas les dicen a los encuestados cuántos otros actores deben nominar en un cuestionario (por ejemplo, "personas de Namefive con las que tiene contacto regular"); en otras ocasiones, no se les presenta ninguna restricción en cuanto a la cantidad de nominaciones que pueden hacer (por ejemplo, "Nombre a todas las personas con las que tiene contacto regular"). La primera (opción fija) puede subestimar el tamaño o la densidad de una red y producir resultados engañosos.

Calificaciones frente a ordenamientos completos. Finalmente, a veces los analistas piden a los encuestados que califiquen o clasifiquen los lazos en términos de fuerza entre todos los actores de la red (Wasserman y Faust 1994: 48). Las calificaciones pueden ser dicotómicas (por ejemplo, los lazos están presentes o ausentes) o valoradas (por ejemplo, los encuestados eligen una de las pocas categorías posibles para la fuerza de cada vínculo). Las clasificaciones difieren en que a cada actor se le pide que clasifique sus vínculos con todos los demás actores de la red. Este último enfoque se vuelve cada vez más difícil a medida que aumenta el tamaño de la red.

Entrevistas

Los analistas de redes sociales a veces usan entrevistas (ya sea cara a cara o por teléfono). Las entrevistas pueden ser útiles para mapear las redes, pero dadas las limitaciones de la memoria humana, probablemente deberían complementarse con otros métodos (por ejemplo, observación directa, registros escritos).

Observación directa

Otra forma de registrar datos es hacer que un observador registre todas las interacciones que tienen lugar entre los actores de la red (Wasserman y Faust 1994: 49). Dan McFarland (2004) utilizó este enfoque para registrar los patrones de interacción de los estudiantes en dos escuelas secundarias diferentes. Un inconveniente obvio de este enfoque es que, en algunas situaciones, las interacciones pueden ser tan numerosas y tan cercanas que resulta casi imposible registrar todas las interacciones. Además, los observadores a menudo alteran su comportamiento cuando están conscientes de que sus interacciones se están registrando (Roethlisberger y Dickson 1939).

Registros escritos

Los registros escritos pueden ser fuentes valiosas de datos relacionales. Los correos electrónicos, memorandos, registros históricos y listas de miembros y comités de la iglesia son solo algunos ejemplos de fuentes a partir de las cuales se pueden determinar los vínculos entre los actores individuales. A nivel organizativo, los registros escritos que indican empresas conjuntas, las direcciones entrelazadas (es decir, cuando el mismo individuo forma parte de las juntas directivas de dos compañías diferentes) y la membresía en la misma asociación comercial pueden indicar vínculos, mientras que los registros indican el comercio de productos manufacturados El intercambio de diplomáticos puede indicar vínculos entre países. Mark Chaves (1996, 1997) recurrió a varios almanaques eclesiásticos e informes denominacionales para determinar qué denominaciones estaban afiliadas a qué organizaciones ecuménicas.

Big Data

La reciente llegada de Big Data ha abierto nuevas perspectivas para los analistas de redes sociales. En particular, los investigadores obtienen datos de sitios de redes sociales, como Facebook y Twitter, y luego los estructuran en términos de actores y vínculos para ofrecerles a los investigadores oportunidades para explorar los efectos de las redes sociales. Por ejemplo, Lu Chen, Ingmar Weber y Adam Okulicz-Kozaryn (2014) recopilaron datos de más de 250,000 usuarios de Twitter que enumeraron sus preferencias religiosas para examinar la distribución geográfica de las personas de fe y los patrones de homofilia.

Otros enfoques

Estos no son los únicos enfoques para recopilar datos de redes sociales. Son simplemente los más comunes. Otras formas de recopilación de datos incluyen datos de la estructura social cognitiva, experimentos, diarios y pequeños mundos (Wasserman y Faust 1994: 51–54). Al recopilar datos de la estructura social cognitiva, los investigadores preguntan a los encuestados cuál es su percepción de los vínculos de la red de otros actores (por ejemplo, "¿Quién es amigo de quién?") (Krackhardt 1987a). Los analistas de redes sociales a veces usan experimentos para observar el comportamiento de un conjunto de actores en entornos controlados experimentalmente (Bavelas 1950; Emerson 1962). A veces, los encuestados llevan un diario para mantener un registro de las personas con quienes interactúan (Wasserman y Faust, 1994: 54). Y finalmente, los investigadores utilizarán variaciones en el diseño de redes de mundos pequeños (Milgram 1967; Travers y Milgram 1969) para estimar cuántos pasos (es decir, grados de separación) se elimina un encuestado de un objetivo elegido al azar (Watts 1999a; Watts, Dodds y Newman 2003).

2.7 Resumen y Conclusión

Este capítulo ha proporcionado una descripción general del análisis de redes sociales, en qué se diferencia de otros enfoques analíticos, los términos y conceptos básicos que emplea, y los supuestos clave que subyacen en gran parte del trabajo de los analistas de redes sociales. Los siguientes capítulos no siempre establecerán vínculos explícitos entre estas suposiciones y los análisis que se resaltan, pero las conexiones estarán allí. Este capítulo también ha explorado los temas relacionados con la cultura y la agencia humana y el grado en que (si lo hacen) afectan el comportamiento humano. Finalmente, ha introducido los diversos tipos (es decir, la red del ego y todos los datos de la red) y los modos (modo único, modo doble) de los datos de las redes sociales, así como los diversos métodos que los investigadores utilizan para recopilar dichos datos.

2.8 Para lectura adicional

Para explorar la historia del análisis de redes sociales, Linton C. Freeman's, The Development of Social Network Analysis: A Study in the Sociology of Science (2004) es invaluable, al igual que su capítulo de seguimiento de 2011 “El desarrollo del análisis de redes sociales– con énfasis en los eventos recientes ", que aparece en The SAGE Handbook of Social Network Analysis, editado por John Scott y Peter J. Carrington (2011). Hay una serie de excelentes introducciones al análisis de redes sociales. La "biblia del ARS" es, por supuesto, Stanley Wasserman y Katherine Faust, Social Network Analysis: Methods and Applications (1994), que el atento lector notará que se cita repetidamente en esta monografía. Sin embargo, hay una serie de textos más recientes que cubren los desarrollos contemporáneos en el campo:

  • Stephen P. Borgatti, Martin G. Everett y Jeffrey C. Johnson. 2013. Analyzing Social Networks. Thousand Oaks, CA: Sage Publishing, una excelente introducción que es especialmente valiosa para los usuarios de UCINET. 
  • David Knoke y Song Yang. 2007. Social Network Analysis, 2ª ed. Thousand Oaks, CA: Publicaciones SAGE. 
  • Wouter de Nooy, Andrej Mrvar y Vladimir Batagelj. 2011. Exploratory Social Network Analysis with Pajek, rev. y ed ampliado Cambridge: Cambridge University Press: una introducción que presenta ejemplos trabajados del paquete de software, Pajek. 
  • Charles Kadushin. 2012.Understanding Social Networks: Theories, Concepts, and Findings. Oxford: Oxford University Press: escrito por uno de los principales teóricos del campo. 
  • Ian McCulloh, Helen Armstrong y Anthony Johnson. 2013. Social Network Analysis with Applications. Nueva York, Nueva York: Wiley: una introducción que incluye ejemplos elaborados del paquete de análisis de redes sociales Organizational Risk Analyzer (ORA). 
  • Christina Prell. 2011. Social Network Analysis: History, Theory and Methodology. Londres: Publicaciones SAGE - incluye una excelente discusión de los desarrollos recientes. 
  • Garry L. Robins. 2015. Doing Social Network Research: Network-based Research Design for Social Scientists Londres: SAGE: un libro de uno de los desarrolladores del conjunto de programas PNet que estima los modelos de gráficos aleatorios exponenciales (ERGM) que se centran en cómo llevar a cabo la investigación de redes sociales. 
  • John Scott. 2017.Social Network Analysis, 4ª ed. Londres: SAGE, un clásico que ahora está en su cuarta edición.


Referencias

1. Sin duda, el trabajo sobre grupos sociales de Emile Durkheim (1984) y Ferdinand Tönnies (1957 [1855]) ciertamente anticipó mucho de lo que vendría.

2. Una díada es un par de actores con un empate entre ellos. Una tríada es un conjunto de tres actores que pueden o no tener vínculos entre ellos.

3. La historia, por supuesto, es mucho más compleja que esta breve descripción. Para una descripción más detallada, consulte el libro de Linton Freeman, El desarrollo del análisis de redes sociales (2004) y su ensayo de seguimiento de 2011 (Freeman 2011). La introducción no técnica de John Scott (2017) también es bastante útil.

4. Freeman no es el primero en hacer este argumento. Norman Hummon y Kathleen Carley (1993) hicieron una observación similar una década antes.

6. La Figura 2.3 se creó en Pajek (Batagelj y Mrvar 2017).

7. Las figuras 2.4 a 2.11 se crearon en R utilizando las bibliotecas igraph (Csárdi y Nepusz 2006) o the sna (Butts 2014).

8. En general, los vínculos con la dirección se denominan "arcos", mientras que los vínculos sin dirección se denominan "aristas".

9. El Vaticano II fue una conferencia de todos los obispos y cardenales de la Iglesia Católica Romana que se reunieron desde 1962 hasta 1965; introdujo numerosos cambios para modernizar la Iglesia (Finke y Stark 2005; Stark y Finke 2000b).

10. Datos de la red amablemente proporcionados por Mark Chaves.

11. Algunos cuestionan la validez de los estudios de Milgram ya que no se completaron tantas cadenas (Kleinfeld 2002). Sin embargo, el análisis sugiere que no hubo un sesgo sistemático en la tasa de abandono, lo que sugiere que la longitud de la cadena fue representativa de toda la muestra (White 1970). Los estudios más pequeños del mundo han arrojado resultados similares (Dodds, Muhamad y Watts 2003; Watts, Dodds y Newman 2003). Por ejemplo, Jure Leskovec y Eric Horvitz (2007) examinaron un conjunto de datos de mensajes instantáneos compuestos por 30 mil millones de conversaciones entre 240 millones de personas y encontraron que la longitud de ruta promedio entre los usuarios de Microsoft Messenger era seis.

12. Granovetter (1973) analizó las cadenas donde los remitentes blancos debían enviar el paquete a un blanco negro. Encontró que cuando el paquete se pasaba primero de un individuo blanco a un individuo negro, era mucho más probable que se completara la cadena si pasaba a través de un lazo débil en lugar de uno fuerte. "En el 50% de los casos en que el blanco describió este negro como un "conocido", la cadena se completó finalmente; sin embargo, la tasa de finalización se redujo a 26%, cuando el blanco envió el folleto a un "amigo negro". Por lo tanto, los lazos interraciales más débiles pueden considerarse más efectivos para salvar la distancia social "(Granovetter, 1973: 1368-1369).

13. Los ERGMS temporales, conocidos como TERGM, se utilizan cada vez más con datos de redes sociales longitudinales.

14. Las figuras 2.12 a 2.14 se crearon utilizando NetDraw (Borgatti 2011).


15. Sin embargo, vea el artículo reciente de Pavel Krivitsky y Martina Morris (2017) que utiliza una clase de ERGM diseñados para datos de la red del ego, que permite a los investigadores hacer inferencias sobre la red no observada del ego.


16. Esto puede tener efectos profundos en el comportamiento y la práctica religiosa. Como veremos en el Capítulo 4, por ejemplo, Emerson y Smith (2000) encontraron que los miembros periféricos de una congregación de raza mixta (en este caso, los miembros blancos) tenían muchas más probabilidades de irse que los miembros centrales (en este caso, los miembros negros). ), una búsqueda consistente con investigaciones anteriores de organizaciones voluntarias (por ejemplo, Popielarz y McPherson 1995; Stark y Bainbridge 1980a).


17. Las figuras 2.15 y 2.16 se crearon utilizando UCINET 6 (Borgatti, Everett y Freeman 2002).18. Para un resumen más detallado de los métodos para recopilar datos de redes sociales, vea Prell (2011: 68–74).