Curso Análisis de redes sociales (2023)

Historical Network Analysis - An Introduction

 

Introducción y resumen sobre inmunidad colectiva

Inmunidad colectiva al COVID-19: ¿dónde estamos?

Arnaud Fontanet y Simon Cauchemez

Nature Reviews Immunology (2020)

Detalles de métricas

La inmunidad colectiva es un concepto clave para el control de epidemias. Afirma que solo una parte de la población necesita ser inmune (superando una infección natural o mediante la vacunación) a un agente infeccioso para que deje de generar grandes brotes. Una pregunta clave en la actual pandemia de COVID-19 es cómo y cuándo se puede lograr la inmunidad colectiva y a qué costo.

La inmunidad colectiva se logra cuando una persona infectada en una población genera menos de un caso secundario en promedio, que corresponde al número de reproducción efectiva R (es decir, el número promedio de personas infectadas por un caso) que cae por debajo de 1 en ausencia de intervenciones . En una población en la que los individuos se mezclan de manera homogénea y son igualmente susceptibles y contagiosos, R = (1 − p_C)(1 − p_I)R₀ (ecuación 1), donde p_C es la reducción relativa en las tasas de transmisión debido a intervenciones no farmacéuticas; p_I es la proporción de individuos inmunes; y R0 es el número de reproducción en ausencia de medidas de control en una población completamente susceptible. R0 puede variar entre poblaciones y con el tiempo, dependiendo de la naturaleza y el número de contactos entre individuos y factores ambientales potenciales. En ausencia de medidas de control (p_C = 0), la condición para la inmunidad de grupo (R <1, donde  R = (1 − p_I)R₀ se logra por lo tanto cuando la proporción de individuos inmunes alcanza p_I = 1 – 1/R₀. Para el SARS-CoV-2, la mayoría de las estimaciones de R0 están en el rango de 2,5 a 4, sin un patrón geográfico claro. Para R0 = 3, según lo estimado para Francia1, se espera que el umbral de inmunidad colectiva para el SARS-CoV-2 requiera un 67% de inmunidad de la población. También se deduce de la ecuación 1 que, en ausencia de inmunidad colectiva, la intensidad de las medidas de distanciamiento social necesarias para controlar la transmisión disminuye a medida que aumenta la inmunidad de la población. Por ejemplo, para contener la propagación para R0 = 3, las tasas de transmisión deben reducirse en un 67% si la población es completamente susceptible, pero solo en un 50% si un tercio de la población ya es inmune.

Hay situaciones en las que se puede lograr la inmunidad colectiva antes de que la inmunidad de la población alcance  p_I = 1 − 1/R₀. Por ejemplo, si algunas personas tienen más probabilidades de infectarse y transmitir porque tienen más contactos, es probable que estos superpropagadores se infecten primero. Como resultado, la población de individuos susceptibles se agota rápidamente de estos superpropagadores y el ritmo de transmisión se ralentiza. Sin embargo, sigue siendo difícil cuantificar el impacto de este fenómeno en el contexto de COVID-19. Para R₀ = 3, Britton et al.2 demostraron que, si tenemos en cuenta los patrones de contacto específicos de la edad (por ejemplo, los individuos> 80 años tienen sustancialmente menos contactos que los de 20 a 40 años), el umbral de inmunidad colectiva cae de 66,7% a 62,5%. Si asumimos además que el número de contactos varía sustancialmente entre individuos dentro del mismo grupo de edad, la inmunidad colectiva podría lograrse con solo el 50% de inmunidad de la población. Sin embargo, en este escenario, la desviación de la fórmula p_I = 1 − 1/R₀ solo se espera si siempre es el mismo conjunto de individuos los que son potenciales superpropagadores. Si la superpropagación es impulsada por eventos y no por individuos, o si las medidas de control reducen o modifican el conjunto de superpropagadores potenciales, puede haber un impacto limitado en la inmunidad de la manada. Otro factor que puede influir en un umbral de inmunidad colectiva más bajo para COVID-19 es el papel de los niños en la transmisión viral. Los informes preliminares encuentran que los niños, en particular los menores de 10 años, pueden ser menos susceptibles y contagiosos que los adultos3, en cuyo caso pueden omitirse parcialmente del cálculo de la inmunidad colectiva.

La inmunidad de la población se estima típicamente mediante encuestas transversales de muestras representativas utilizando pruebas serológicas que miden la inmunidad humoral. Las encuestas realizadas en países afectados al principio de la epidemia de COVID-19, como España e Italia, sugieren que la prevalencia de anticuerpos a nivel nacional varía entre el 1 y el 10%, con picos de alrededor del 10-15% en las zonas urbanas muy afectadas4. Curiosamente, esto es consistente con predicciones anteriores hechas por modelos matemáticos, utilizando recuentos de muertes reportados en estadísticas nacionales y estimaciones de la tasa de mortalidad por infección, es decir, la probabilidad de muerte dada la infección1,5. Algunos han argumentado que la inmunidad humoral no captura el espectro completo de la inmunidad protectora del SARS-CoV-2 y que la primera ola epidémica ha resultado en niveles más altos de inmunidad en la población que los medidos a través de encuestas transversales de anticuerpos. De hecho, se ha documentado la reactividad de las células T en ausencia de inmunidad humoral detectable entre los contactos de los pacientes6, aunque se desconocen la naturaleza protectora y la duración de la respuesta observada. Otra incógnita es si la inmunidad preexistente a los coronavirus del resfriado común puede proporcionar algún nivel de protección cruzada. Varios estudios informaron células T con reactividad cruzada en el 20-50% de los individuos sin experiencia previa con SARS-CoV-27. Sin embargo, queda por determinar si estas células T pueden prevenir la infección por SARS-CoV-2 o proteger contra enfermedades graves7. Los informes preliminares de encuestas en niños no muestran correlación entre infecciones pasadas por coronavirus estacionales y susceptibilidad a la infección por SARS-CoV-28. Claramente, no se evidenció inmunidad esterilizante mediante protección cruzada durante el brote de SARS-CoV-2 en el portaaviones Charles de Gaulle, donde el 70% de los marineros adultos jóvenes se infectaron antes de que la epidemia se detuviera9.
Teniendo en cuenta estas consideraciones, hay poca evidencia que sugiera que la propagación del SARS-CoV-2 podría detenerse naturalmente antes de que al menos el 50% de la población se haya vuelto inmune. Otra pregunta es qué se necesitaría para lograr el 50% de inmunidad de la población, dado que actualmente no sabemos cuánto tiempo dura la inmunidad adquirida de forma natural al SARS-CoV-2 (la inmunidad a los coronavirus estacionales suele ser relativamente corta), particularmente entre aquellos que tenían formas leves de la enfermedad, y si pueden ser necesarias varias rondas de reinfección antes de lograr una inmunidad sólida. La reinfección solo se ha documentado de manera concluyente en un número muy limitado de casos hasta ahora y no está claro si se trata de un fenómeno raro o puede llegar a ser una ocurrencia común. Asimismo, se desconoce cómo una infección previa afectaría el curso de la enfermedad en una reinfección y si algún nivel de inmunidad preexistente afectaría la diseminación y transmisibilidad viral.

Con las pandemias de gripe, la inmunidad colectiva generalmente se logra después de dos o tres oleadas epidémicas, cada una interrumpida por la estacionalidad típica del virus de la gripe y, más raramente, por intervenciones, con la ayuda de la protección cruzada a través de la inmunidad a los virus de la gripe encontrados anteriormente y las vacunas cuando están disponibles10 . Para COVID-19, que tiene una tasa de letalidad por infección estimada de 0.3 a 1.3% 1,5, el costo de alcanzar la inmunidad colectiva a través de la infección natural sería muy alto, especialmente en ausencia de un mejor manejo de los pacientes y sin una protección óptima de las personas en riesgo de complicaciones graves. Suponiendo un umbral optimista de inmunidad colectiva del 50%, para países como Francia y EE. UU., Esto se traduciría en 100.000–450.000 y 500.000–2.100.000 muertes, respectivamente. Los hombres, las personas mayores y las personas con comorbilidades se ven afectados de manera desproporcionada, con tasas de letalidad por infección del 3,3% para los mayores de 60 años y una mayor mortalidad en personas con diabetes, enfermedad cardíaca, enfermedad respiratoria crónica u obesidad. El impacto esperado sería sustancialmente menor en poblaciones más jóvenes.

Una vacuna eficaz presenta la forma más segura de alcanzar la inmunidad colectiva. En agosto de 2020, seis vacunas anti-SARS-CoV-2 han alcanzado los ensayos de fase III, por lo que es concebible que algunas estén disponibles a principios de 2021, aunque su seguridad y eficacia aún no se han establecido. Dado que la producción y entrega de una vacuna será inicialmente limitada, será importante priorizar las poblaciones altamente expuestas y aquellas en riesgo de morbilidad severa. Las vacunas son especialmente adecuadas para crear inmunidad colectiva porque su asignación puede dirigirse específicamente a poblaciones muy expuestas, como los trabajadores de la salud o las personas que tienen contacto frecuente con los clientes. Además, las muertes se pueden prevenir si se apunta primero a poblaciones muy vulnerables, aunque se espera que las vacunas no sean tan eficaces en las personas mayores. Por lo tanto, las vacunas pueden tener un impacto significativamente mayor en la reducción de la circulación viral que la inmunidad adquirida naturalmente, especialmente si resulta que la inmunidad protectora adquirida naturalmente requiere refuerzos a través de reinfecciones (si es necesario, las vacunas pueden reforzarse de forma rutinaria). Además, dado que hay un número cada vez mayor de informes de complicaciones a largo plazo incluso después del COVID-19 leve, es probable que las vacunas brinden una opción más segura para las personas que no están clasificadas en riesgo.

Para los países del hemisferio norte, las próximas temporadas de otoño e invierno serán desafiantes con la probable intensificación de la circulación viral, como se ha observado recientemente con el regreso de la estación fría en el hemisferio sur. En esta etapa, solo las intervenciones no farmacéuticas, como el distanciamiento social, el aislamiento del paciente, las mascarillas y la higiene de las manos, han demostrado ser eficaces para controlar la circulación del virus y, por lo tanto, deben aplicarse estrictamente. Los medicamentos antivirales potenciales que reducen la carga viral y por lo tanto disminuyen la transmisión, o las terapias que previenen complicaciones y muertes, pueden volverse importantes para el control de la epidemia en los próximos meses. Esto es hasta que las vacunas estén disponibles, lo que nos permitirá alcanzar la inmunidad colectiva de la manera más segura posible.

Referencias

1. 1.
   Salje, H. et al. Estimating the burden of SARS-CoV-2 in France. Science 369, 208–211 (2020).
   CAS  PubMed  PubMed Central  Article  Google Scholar 
2. 2.
   Britton, T., Ball, F. & Trapman, P. A mathematical model reveals the influence of population heterogeneity on herd immunity to SARS-CoV-2. Science 369, 846–849 (2020).
   CAS  PubMed  Article  Google Scholar 
3. 3.
   Goldstein, E., Lipsitch, M. & Cevik, M. On the effect of age on the transmission of SARS-CoV-2 in households, schools and the community. Preprint at medRxiv https://doi.org/10.1101/2020.07.19.20157362 (2020).
   PubMed  PubMed Central  Article  Google Scholar 
4. 4.
   Byambasuren, O. et al. Estimating the seroprevalence of SARS-CoV-2 infections: systematic review. Preprint at medRxiv https://doi.org/10.1101/2020.07.13.20153163 (2020).
   Article  Google Scholar 
5. 5.
   Flaxman, S. et al. Estimating the effects of non-pharmaceutical interventions on COVID-19 in Europe. Nature 584, 257–261 (2020).
   CAS  PubMed  Article  Google Scholar 
6. 6.
   Sekine, T. et al. Robust T cell immunity in convalescent individuals with asymptomatic or mild COVID-19. Cell https://doi.org/10.1016/j.cell.2020.08.017 (2020).
   PubMed Central  Article  Google Scholar 
7. 7.
   Sette, A. & Crotty, S. Pre-existing immunity to SARS-CoV-2: the knowns and unknowns. Nat. Rev. Immunol. 20, 457–458 (2020).
   CAS  PubMed  Article  Google Scholar 
8. 8.
   Sermet-Gaudelus, I. et al. Prior infection by seasonal coronaviruses does not prevent SARS-CoV-2 infection and associated multisystem inflammatory syndrome in children. Preprint at medRxiv https://doi.org/10.1101/2020.06.29.20142596 (2020).
   Article  Google Scholar 
9. 9.
   Service de santé des armées. Investigation de l’épidémie de COVID-19 au sein du Groupe Aéronaval. Service de santé des armées https://www.defense.gouv.fr/content/download/583466/9938746/file/20200405_929_ARM_SSA_CESPA_rapport_epidemie_covid19_Gan_VEXP.pdf (2020).
10. 10.
    Miller, M. A., Viboud, C., Balinska, M. & Simonsen, S. The signature features of influenza pandemics — implications for policy. N. Engl. J. Med. 360, 2595–2598 (2009).

Introducción a la visualización de redes

What is a k-core of a graph?

ARS 101: Amistad, redes y distribución de frecuencia de grados

Cómo la matemática de las redes puede ayudarte a hacer amigos

Estudiar la estructura de las amistades existentes en su comunidad puede ayudarlo a forjar las mejores conexiones al formar un nuevo círculo de amigos.


8



Patrick Honner | Quanta Magazine



Cuando comienzas en una nueva escuela o trabajo, o te mudas a una nueva ciudad, ¿cómo haces para hacer nuevos amigos? Podrías adoptar un enfoque activo, forjando conexiones estratégicas con los niños populares y los que hacen movimientos. O podría dejar las cosas al azar, confiando en agrupaciones y asociaciones aleatorias. Sea cual sea su enfoque, comprender la estructura de las amistades existentes en su nueva comunidad puede ayudarlo a hacer las mejores conexiones, que en última instancia definirán su círculo de amigos.

Imagínese mudarse a una ciudad nueva y extraña, Regulartown, que tiene una regla extraña: todos pueden tener a lo sumo cuatro amigos, y todos quieren maximizar sus amistades. ¿Cómo será la estructura de las amistades en Regulartown? Para explorar esta pregunta, usaremos un objeto matemático llamado red.

En pocas palabras, una red es un conjunto de objetos, llamados "nodos", y las conexiones entre ellos. Las redes son matemáticamente versátiles: pueden representar computadoras y los cables que las conectan, los autores y sus colaboraciones, o los estados de un cubo de Rubik y los movimientos que los transforman, esencialmente cualquier conjunto de conexiones, reales o abstractas. Para estudiar amistades en Regulartown, crearemos una red donde los nodos son personas y las conexiones son las amistades entre ellos.

Una forma útil de representar redes es imaginar los nodos como puntos y las conexiones como segmentos de línea, lo que también llamaremos enlaces. Este diagrama de red nos puede dar una idea de su estructura. Entonces, ¿cómo será la red de amistades en Regulartown? En algún momento puede parecer algo como esto:




Cada persona intentará encontrar a sus cuatro amigos y, a medida que nuevas personas se muden a la ciudad, buscarán a alguien con menos de cuatro amigos para conectarse. De esta manera, la red seguirá creciendo con el tiempo, expandiéndose continuamente en los enlaces a medida que se agregan nuevos nodos. (También es posible que se formen camarillas independientes, pero ignoraremos esa posibilidad en nuestro ejemplo).

Los diagramas de redes pueden iluminarse cuando indican una estructura clara. Pero cuando las redes se vuelven grandes o no exhiben el tipo de estructura regular de un Regulartown, los diagramas pueden ser menos útiles. Ayuda a desarrollar diferentes formas de analizar la estructura de una red. Una forma es pensar en la distribución del grado de la red.

En una red, el número de conexiones que tiene un nodo se conoce como el "grado" de ese nodo. Un nodo con un alto grado está conectado a muchos otros nodos; un nodo con un grado bajo está conectado a algunos otros nodos.



El grado de un nodo es una medida importante en una red, pero es local: solo describe la estructura de una red en un solo nodo. Pero al pensar en los grados de todos los nodos a la vez, podemos crear una herramienta útil para comprender la estructura global de una red.

En nuestra red de amistad, el grado de cada nodo es el número de amigos que tiene cada persona. En Regulartown, la mayoría de las personas tendrá cuatro amigos, por lo que la mayoría de los nodos tendrán el grado 4. Los residentes no tendrán más de cuatro amigos, pero algunos tendrán menos, por lo que habrá nodos con los grados 3, 2 o 1. Podemos resumir la distribución de grados como este:



Este histograma transmite información importante sobre la estructura de nuestra red. En este simple ejemplo, puede que no nos diga tanto como nuestro diagrama de red, pero veremos cómo las distribuciones de grado pueden ser herramientas poderosas para comprender diferentes tipos de redes.

Vayamos a una nueva ciudad. En Randomville, las amistades suceden al azar. Dado que la aleatoriedad puede ser un asunto complicado, seamos claros sobre lo que queremos decir: imaginaremos a cada persona de la ciudad como un nodo en una red, lo que hace que cada posible ventaja sea una posible amistad. Para generar una amistad aleatoria, elegiremos uno de esos posibles enlaces al azar y lo dibujaremos, estableciendo una conexión entre esos dos nodos y, por lo tanto, una amistad entre esas dos personas.

¿Cómo sería la red de Randomville? Suponiendo que comencemos con un grupo de nodos y agregamos al azar un grupo de enlaces, la imagen puede verse así:


Puede ser difícil ver la estructura en este diagrama. Pero el grado de distribución de esta red es esclarecedor. Si bien no es fácil calcular directamente, podemos razonar a través de algunas propiedades importantes usando un ejemplo simple.

Imagina que eres una de las 10 personas en Randomville. ¿Cuántas amistades posibles hay? Cada una de las 10 personas podría estar conectada a las otras nueve, por lo que parece que potencialmente podría dibujar 10 × 9 = 90 enlaces. Pero esto en realidad cuenta cada amistad posible dos veces: una para cada amigo. Entonces, el número total de amistades posibles es realmente 90 dividido por 2, o 45.

Ahora digamos que elegimos al azar una amistad, es decir, seleccionamos al azar uno de los 45 enlaces posibles en nuestra red. ¿Cuál es la probabilidad de que se conecte con usted? Bueno, hay nueve enlaces posibles que se extienden desde usted a cada uno de los otros nueve nodos. Dado que nueve de los 45 enlaces se conectan con usted, la probabilidad de que un enlace seleccionado al azar se conecte con usted es de 945 = 15, o 20 por ciento.

Pero este mismo argumento se aplica a todos en Randomville, por lo que cada nodo tiene un 20% de probabilidad de estar conectado al enlace seleccionado al azar. Ahora, a medida que se agregan los enlaces (y los nodos), estas probabilidades cambiarán ligeramente, pero a la larga seguirán siendo aproximadamente las mismas. Esto significa que las amistades se distribuirán de manera bastante uniforme alrededor de Randomville. Habrá algunas variaciones leves aquí y allá, pero tener pocos amigos o muchos amigos será poco probable. En Randomville, es probable que casi todos terminen con algo parecido a un número promedio de amigos.

 Estas características familiares están incorporadas en la distribución de grado "binomial" de una red aleatoria típica.

 

Al observar solo la distribución en grados de esta red, podemos inferir un tipo particular de uniformidad: cuando se trata de conectividad, la mayoría de los nodos son promedio y muy pocos son extremos. Esta es una información útil cuando se trata de entender la estructura de la red. (A medida que se agregan nodos, digamos, cuando nuevas personas vienen a la ciudad, la distribución cambiará ligeramente, pero las características generales persistirán).

Ahora, ninguno de estos dos ejemplos, la regla de la mayoría de los cuatro amigos de Regulartown o las amistades seleccionadas al azar de Randomville, son modelos realistas de amistad. Las personas pueden tener más de cuatro amigos, y tener muchos amigos no es tan inusual como sugiere la distribución binomial. Entonces, ¿qué es un modelo de amistad más realista?

A medida que establezca conexiones con amigos y amigos de amigos, la estructura de sus amistades probablemente compartirá características comunes a otras redes del mundo real como redes de alimentos, interacciones de proteínas e Internet. Estas características caracterizan las llamadas redes "sin escala", un modelo de conectividad que ha llegado a dominar la ciencia de redes en los últimos 20 años. Investigadores de matemáticas, física, economía, biología y ciencias sociales han visto los signos reveladores de redes sin escala en sus campos dispares.



Una compleja red sin escala que representa los metadatos de una red social.
Martin Grandjean

La estructura de las redes sin escala depende del principio simple de "conexión preferencial". La conexión preferencial es una regla de crecimiento de la red rica en riqueza: un nodo con muchas conexiones existentes es más probable que obtenga nuevas conexiones que un nodo con pocas conexiones Conexiones existentes. Las nuevas conexiones muestran una preferencia por los nodos de alto grado.

¿Tiene sentido esto en el contexto de la formación de la amistad? En general, parece razonable argumentar que una persona con muchos amigos tendrá más probabilidades de hacer nuevos amigos. Como ya están conectados a más personas, es más probable que conozcan a nuevas personas a través de esas conexiones existentes. Tener más amigos crea más oportunidades para hacer nuevos amigos. Y el hecho de que ya tengan muchos amigos sugiere que pueden tener algún tipo de capacidad o afinidad para hacer amigos. Esto probablemente atraerá a otros, al igual que los sitios web populares dibujan enlaces de otros sitios y blogs, y las ciudades establecidas invitan a nuevas líneas de ferrocarril y rutas aéreas.

Si bien hay múltiples factores que intervienen en el desarrollo de redes sin escala, muchos consideran que el vínculo preferencial es el más fundamental. Y tiene una consecuencia fascinante en la distribución de un grado de red.



El apego preferencial predice una distribución de grados "de cola gruesa". La mayoría de los nodos en la red serán de grado bajo, pero habrá nodos de grado cada vez más alto. Esto contrasta con las redes de amistad de Regulartown y Randomville, que tenían pocos o ningún nodo de alto grado.

Estos nodos de alto grado, que actúan como centros, son una característica crítica de las redes sin escala. Son las mariposas sociales de las redes de amistad, los bancos en el centro de las economías, los enrutadores centralizados que recorren las líneas regionales de Internet, los Kevin Bacons del mundo en funciones. Los hubs pueden aportar una sensación de pequeño mundo a una red enorme; por ejemplo, dos usuarios seleccionados al azar de los dos mil millones de personas en Facebook son, en promedio, menos de cuatro amigos. Y la cantidad y diversidad de hubs también proporciona a las redes sin escalas resistencia frente a ciertos tipos de fallas: por ejemplo, incluso si fallan muchas conexiones a Internet, los mensajes aún se pueden transmitir, en parte porque todavía habrá muchas formas de llegar y salir de la red. muchos centros (hubs).

Si bien parece haber acuerdo sobre la utilidad de las redes sin escala y sus características de alto nivel, esta área de estudio no está exenta de controversia. Las características matemáticas precisas de estas distribuciones de grados pueden ser difíciles de interpretar. En su libro Linked: The New Science of Networks, el pionero de la ciencia en redes y físico Albert-László Barabási argumentó que las redes que exhiben un apego preferencial tendrán distribuciones de grado que esencialmente siguen una "ley de poder". Las distribuciones de la ley de poder se ven en muchas situaciones físicas, Como las leyes de la inversa al cuadrado de la gravitación y los campos eléctricos. Pueden representarse como funciones de la forma  f(x)=axk, y sus gráficas suelen tener este aspecto:



Las distribuciones de la ley de poder tienen colas gruesas. ¿Pero qué tan gordo? Es decir, ¿cuántos concentradores de cada grado deberíamos esperar en una red de este tipo? Un estudio publicado a principios de este año analizó 1,000 redes del mundo real y concluyó que solo un tercio tenía distribuciones de grado que podrían ser descritas razonablemente por una distribución de ley de poder. Muchas de las redes tenían distribuciones de grado que podrían describirse con mayor precisión utilizando distribuciones "exponenciales" y "log-normal". Pueden tener las características de alto nivel características de las redes sin escala, pero sin la distribución de grado esperada, ¿pueden realmente considerarse sin escala? ¿Y realmente importa?

Importa si queremos conectar nuestras teorías a nuestros datos. ¿Es el apego preferencial realmente el factor principal en la formación de redes sin escala? ¿O hay otros factores que también desempeñan roles sustanciales, factores que pueden impulsar las distribuciones de grados en diferentes direcciones? Responder a estas preguntas y descubrir cuáles son las preguntas correctas que se formulan a continuación, es parte de comprender completamente la naturaleza y la estructura de las redes, cómo se desarrollan y cómo evolucionan.

Y la controversia también nos recuerda que, al igual que nuestras redes, las matemáticas en sí mismas son un conjunto de conexiones en evolución. La investigación contemporánea está desafiando las conjeturas de 20 años en el campo relativamente joven de la ciencia de redes. A medida que las nuevas ideas se unen a la red, nos conectan a las matemáticas del pasado y del futuro. Entonces, cuando se trata de matemáticas, al igual que en las amistades, harás bien en encontrar los centros y maximizar tu título.

Ejercicios

1. ¿Cómo sería una red de amistad si cada persona tuviera exactamente dos amigos?
2. En Regulartown cada persona puede tener hasta cuatro amigos. Es posible que se formen camarillas en Regulartown, pequeños grupos en los que cada persona tiene exactamente cuatro amigos. ¿Cuántas personas podrían estar en tal pandilla? (Sugerencia: la respuesta está relacionada con un sólido platónico).
3. Nuestras redes de amistad confían en que la amistad sea una relación simétrica, es decir, si A es amigo de B, entonces B es amigo de A. ¿Cómo podríamos ajustar nuestro modelo de red para adaptarse a una noción no simétrica de amistad, donde A podría ser amigo de B pero B no ser amigos con A?
4. En Friendville, todos son amigos de todos los demás. Si hay n personas en Friendville, ¿cuántas amistades hay?

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  ${\displaystyle Y}$ consiste de un conjunto de  ${\displaystyle n}$ nodos y ${\displaystyle m}$ díadas (enlaces) ${\displaystyle \{Y_{ij}:i=1,\dots ,n;j=1,\dots ,n\}}$ donde si los nodos ${\displaystyle (i,j)}$ se encuentran conectadosy ${\displaystyle Y_{ij}=0}$ de lo contrario.

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

${\displaystyle P(Y=y|\theta )={\frac {\exp(\theta ^{T}s(y))}{c(\theta )}}}$

donde ${\displaystyle \theta }$ es un vector de parámetros de modelo asociados con ${\displaystyle s(y)}$ 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 ${\displaystyle 2^{n(n-1)/2}}$. 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

Una 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).