viernes, 5 de agosto de 2016

Redes de tráfico de información privilegiada van a la corte

Una maraña de cargos de operaciones de uso ilegal de información privilegiada
Por Diana Henriques y Guilbert Gates - The New York Times


Alguna vez, el abuso de información privilegiada era considerado un crimen de oportunidad - la oportunidad de beneficiarse de una punta inesperada. Hoy en día, los reguladores temen que se ha convertido en un modelo de negocio para algunos fondos de cobertura de Wall Street. En los últimos seis meses, casi dos docenas de personas han sido acusados de participar en un mercado complejo en el que la información privilegiada de compra y vendta con regularidad.

Algunos acusados se han declarado culpables; otros niegan los cargos, diciendo que se beneficiaron de la investigación tenaz, consejos no ilegales.

El gráfico muestra cómo los fiscales describen el flujo de información privilegiada en el caso Galleon Group, y en otros casos relacionados con esta investigación continua.

Haga clic para ir a la página original de la red

miércoles, 3 de agosto de 2016

Un análisis de hashtag: Macy's vs Target

Mapeo de la red de medios de comunicación social: Target vs Macy
Por Marc Smith - 11 de junio de 2015
RIS



C2C, las conexiones entre los clientes, es una fuerza poderosa en el mundo de B2C. La gente está hablando el uno al otro sobre los minoristas, productos, marcas y servicios tanto como que están escuchando a los mensajes de las marcas y las propias empresas.

Los medios sociales han sido un reto para muchas marcas: es un gran florecimiento zumbido confusión de actividad. Pero las herramientas y los métodos de la sociología y la ciencia de la computación son ahora capaces de aportar flujos de medios sociales en el foco, revelando su estructura, personas clave, temas clave, y las divisiones internas.

Los medios sociales son inherentemente en la forma de una red, que está hecho de colecciones de conexiones. En total, cada gusta, enlace, respuesta, hablar, siga, amigo, y / o hacia delante (entre otros tipos de conexiones), forman una red. Las redes son complejas, pero pueden ser analizadas usando las herramientas de matemáticas y ciencias de la computación, informados por décadas de investigación sociológica. El análisis de redes sociales (ARS) es un potente conjunto de herramientas, teorías y técnicas para dar sentido a las redes de conexión que forman entre las personas y los grupos. El ARS es especialmente adecuado para la comprensión de los medios de comunicación social, donde las personas están vinculadas a la gente a través de la comunicación. Pero hasta hace poco, el ARS ha sido una herramienta compleja limitado a los científicos datos avanzados y desarrolladores de software.

Ahora, una herramienta gratuita y abierta disponible que hace análisis de redes sociales de los medios sociales tan difícil como hacer un gráfico circular. La aplicación NodeXL de la Social Media Research Foundation es un complemento para Excel que permite el simple recopilación, análisis, visualización y presentación de informes sobre los flujos de mensajes de una variedad de fuentes de medios sociales. Twitter, Facebook, YouTube, Flickr, wikis, blogs, e-mail, y otras formas de medios de comunicación social son todas las redes inherentes, y que ahora se pueden visualizar y comprender esa forma rápidamente. Construido dentro de la hoja de cálculo Excel familiarizado, el descubrimiento visión general de la red y la exploración complemento simplifica el proceso de obtener conocimientos de la red.

Los mapas e informes de la red destacan la forma general y la estructura de un conjunto de personas conectadas. Las divisiones o grupos que definen los barrios o grupos en la red se vuelven claramente visibles. Muchas redes no son una sola estructura, sino más bien una colección de sub-regiones.

Dentro de estas estructuras a algunas personas a menudo se destacan porque ocupan lugares raros y estratégicos. Algunas personas son "centros" con muchas personas que se conectan a los que no se conectan entre sí. Otros son aislados, la conexión a nadie. Otra posición es el puente, que une dos grupos de otro modo desconectado. En algunos casos las personas son parte de las comunidades, formado a partir de las redes densas de conexiones mutuas.

Estas posiciones y formas cuentan una historia sobre las multitudes que se han reunido en los medios de comunicación social en torno a muchos temas, incluyendo marcas, empresas y productos. Por ejemplo, podemos mapear el patrón de conexión entre las personas que twitteó sobre Target y Macy.

 

En estos mapas podemos ver varias estructuras clave: emisiones hub-and-spoke y clusters marca fragmentados. Estas formas de relieve el papel de las cuentas de la marca (macys yTarget) que han atraído a grandes círculos de re-tweeters su alrededor. En algunos casos, los círculos adicionales, más pequeñas de las conexiones son visibles en los "campeones de la marca" han atraído a sus propias audiencias. El gran bloque de filas de los aislados, las personas que tienen cero conexiones, es un indicador de la visibilidad de la marca de estos minoristas. De diez a veinte por ciento de todos los usuarios de Twitter que mencionan estas marcas nunca dijo el nombre de nadie más ni nadie dice nunca su nombre - que son periféricos, que se encuentra en los bordes de la discusión. Estas personas son como islas en espera de alguien para construir un puente entre ellos y la marca mediante su inclusión en la conversación. Aunque la mayoría de las herramientas de medios sociales ignoran estas personas en los márgenes, la teoría de redes sociales sugiere que son las personas con mayor probabilidad de adquisición de nuevos clientes. En contraste, los cubos altamente conectados, mientras influyente, es probable que ya ser un cliente y no pueden ser adquiridos de nuevo.

Las formas se observan en estos mapas de la red no son las únicas formas que existen. En un informe reciente investigación publicada en colaboración con el Pew Research Internet Project, documentamos las seis formas básicas de las redes de medios sociales que se encuentran comúnmente en muchas plataformas de medios sociales. Esta investigación se centró en Twitter, pero se aplica a muchas plataformas que permiten a las personas responden el uno al otro. Estos seis tipos de patrones de red revelan la diversidad de estructuras posibles en los medios de comunicación social.

Fuente: Pew Research Proyecto Internet

Esta investigación mostró que algunas redes forman un patrón dividido o polarizado, a menudo relacionada con temas políticos o controversiales. Sin embargo, otros carecen de estas divisiones, formando comunidades en grupo donde todo el mundo parece interactuar con casi todo el mundo. Estos patrones densos no son las únicas formas de red de medios de comunicación social, sin embargo. Otros temas, con frecuencia relacionadas con las marcas y los temas visibles públicamente, tienen una estructura fragmentada en la que pocas personas interactúan en absoluto. Marcas menudo tienen 40% a 50% de las personas que mencionan a hacerlo sin mencionar el nombre de otra persona. Estos son los "aislamientos" - islas en la red que contienen sólo una persona cada uno. En una forma más madura de la red de marca fragmentada, algunos grupos conectados pueden crecer junto con el confeti de las personas desconectadas, a menudo formando una colección de pequeños grupos, cada uno con su propio público y el cubo.

Los dos patrones finales son espejos el uno del otro: el cubo y el patrón donde las flechas apuntan hacia adentro o hacia afuera hablaron. Estos son los "difusión" y "apoyo" tipos de red, creada cuando una sola cuenta es el foco principal de un grupo grande que de otra manera no se conectan entre sí. Las cadenas de televisión Hub-and-spoke cuentan un usuario que ha atraído a un público que toda re-pío ellos, pero no se comunican entre sí. En el "apoyo" patrón, una sola cuenta las respuestas a muchas personas por lo demás desconectados, ofreciendo para ayudar a resolver sus problemas de los clientes.

Visto en este marco, ahora podemos volver a los mapas de la red de Macy y Target para ver cómo encajan.

La red de Target se compone de 5.551 usuarios de Twitter cuyos tuits en el rango solicitado contenida "@target OR #target",, o que fueron respondido o se menciona en los tweets sobre el, 4 horas, período de 32 minutos de 4 días a partir del viernes 5 de junio de 2015 a 21:16 GMT a Miércoles, 10 de junio 2015 a las 01:49 UTC.



https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=46912

Los principales hashtags que co-ocurren con "Target" son #target, #toys, #jurassicworldattarget, #jurassicworld, #clothing, #disney, #giveaway, #newborn, #tees, #mplaces.

El pueblo más céntrico de la red de destino son (calificadas por la red de intermediación centralidad):Target,somethingidsay,fbi,mrsednajon,imperfectwomen,vadodimio, carlste503 @, @ big_daddy20000,maintarun,dawnchats.

La red está dominada por el grupo "emisión" (G1) que se centra en la cuentaTarget que está rodeado de re-tweeters que forman un círculo alrededor de él.

El siguiente grupo más grande de la red son los aislamientos, la recogida de las personas que nunca dijo que el nombre de nadie, ni nadie en esta discusión decir su nombre. Son periférica, pero podría ser más central si la marca y otros campeones de marca dedican estos contribuyentes críticos pero menos visibles.

Los clústeres adicionales en esta red también han transmitido patrones hub-and-spoke, lo que sugiere que estas cuentas son campeones de marca, las personas que se dedican tanto a la marca y que han desarrollado una audiencia activa que re-tweets de sus mensajes. Involucrar a estos campeones de la marca es una estrategia crítica que puede ser guiado por ideas de la red de medios de comunicación social. La teoría de la red puede ayudar a identificar rápidamente los "alcaldes" de su red tema.

Por el contrario, comparar esta red de 3.442 usuarios de Twitter cuyo tuits en el rango solicitado contenida "Macys", o que se respondió a, o se menciona en los tweets de más de 4 días, 5 horas, período de 41 minutos a partir de Viernes, 05 de junio , 2015 a las 20:18 GMT a Miércoles, 10 de junio 2015 a las 01:59 UTC.

Al igual que Target, Macy también tiene un patrón hub-and-spoke gran marca, pero, en cambio, cuenta con una población mayor de "aislados" - que sugieren mayor conciencia de marca para Macy sobre Target. Mientras que la red de destino es casi 40% más grande que la red del Macy, Macys tiene una fracción más grande de participantes aislados (21% versus 10%). También ha atraído a un puñado de campeones de marca exitosas que han desarrollado los públicos significativos de su propia que responde a su menciones de Macys.



https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=46911

Los principales hashtags que co-ocurren con "Macys" son: #job, #hiring, #makeup, #sales, #retail, #jobs, #sdcdadsday, #thaliasodicollection, #americanselfie, #macys

Las personas más centrales en la red son Macys (calificadas por centralidad de intermediación de la red):macys,makeuptweeter,macysbeautyjobs,lbpyyz,lta_inc,carinkilbyclark,thalia,scm_guru,gotyoursix,slipnsliderazzi

La red está dominada por el grupo "emisión" (G1) que se centra en losmacys dar cuenta que está rodeado de re-tweeters que forman un círculo alrededor de él.

El siguiente grupo más grande de la red son los aislamientos, los usuarios periféricos que podrían convertirse en más comprometidos.

Los clústeres adicionales en esta red también se han transmitido patrones hub-and-spoke, estas son las personas que están comprometidas tanto con la marca y que han desarrollado una audiencia activa que re-tweets de sus mensajes.

El seguimiento de estos mapas, y los mapas de temas relacionados, marcas y minoristas, puede crear un panorama compuesto de las partes pertinentes del panorama de los medios sociales.

Ambas marcas han promovido hashtags relacionados, en este caseHere vemos que "JurasicWorldAtTarget" ha generado un patrón único hub-and-spoke, mientras que la red "americanselfie" es multi-con cavidades.



En algunos casos, es útil para tratar de cambiar el patrón de la red de una forma a otra para crear una estructura que está optimizada para particulares objetivos de negocio. Comunidades menudo sueñan con convertirse en marcas, mientras que las marcas a menudo buscan hacer crecer sus comunidades.

Métricas de red son por lo tanto útiles "KPI" para el seguimiento de la estructura, así como el volumen de actividad de los medios de comunicación social.

Las redes son una poderosa manera de pensar acerca de los mercados y las conversaciones de los consumidores. Las nuevas herramientas están haciendo análisis de redes tan fácil como hacer un gráfico circular. El resultado es una expansión de la "conciencia de la red", como los tomadores de decisiones de negocios son cada vez más capaces de "pensar enlace" cuando se ven en los medios sociales y datos del mercado.

Interesado en ver qué red de medios sociales de su marca parece? Solicite un mapa de la red muestra gratuita y reporte de http://connectedaction.net


Marc Smith es un sociólogo especializado en la organización social de las comunidades en línea y la interacción mediada por ordenador. Smith lidera el grupo de consultoría Acción Connected y vive y trabaja en Silicon Valley, CA. Smith co-fundó y dirige la Fundación Social Media Research, una organización no lucrativa dedicada a abrir herramientas, datos, y la erudición relacionada con la investigación de medios sociales.

Nota del Editor: Si usted va a la venta al por menor Ejecutivo Cumbre, jun 17 a 19, asegúrese de Twitter sobre el evento con el hashtag # 2015RES. El tweeter más influyente recibirá una tarjeta de regalo de $ 100 y ser nombrado el "Medios de Comunicación Social Mayor" del evento.

lunes, 1 de agosto de 2016

ARS 101: Algoritmo Clauset-Newman-Moore

Encontrando estructuras de comunidad en redes muy grandes

Aaron Clauset,[1], M. E. J. Newman, [2] y Cristopher Moore1, [3]

[1] Department of Computer Science, University of New Mexico, Albuquerque, NM 87131
[2] Department of Physics and Center for the Study of Complex Systems,
University of Michigan, Ann Arbor, MI 48109
[3] Department of Physics and Astronomy, University of New Mexico, Albuquerque, NM 87131

Archivo PDF

El descubrimiento y análisis de estructuras de comunidad en redes es un tema de interés reciente considerable dentro de la comunidad de la física, pero la mayoría de los métodos propuestos hasta ahora no son adecuados para redes muy grandes debido a su coste computacional. Aquí presentamos un algoritmo de clasificación jerárquico para detectar estructura de la comunidad que es más rápido que muchos algoritmos en competencia: su tiempo de funcionamiento en una red con n vértices y m enlaces es O (md log n), donde d es la profundidad de la dendrograma que describe la estructura de la comunidad . Muchas redes del mundo real son escasos y jerárquica, con m ~ n y d ~ log n, en cuyo caso el algoritmo se ejecuta en tiempo esencialmente lineal, O (n log2 n). Como un ejemplo de la aplicación de este algoritmo que utilizamos para analizar una red de artículos para la venta en el sitio web de un gran minorista en línea, los elementos de la red que están unidas si se compran con frecuencia por el mismo comprador. La red cuenta con más de 400 000 vértices y 2 millones de aristas. Se demuestra que nuestro algoritmo puede extraer comunidades significativas a partir de esta red, revelando patrones a gran escala presentes en los hábitos de compra de los clientes.


Figura 2: Una visualización de la estructura de la comunidad a la máxima modularidad. Tenga en cuenta que los principales algunas comunidades tienen un gran número de comunidades "satélites" conectadas sólo a ellas (arriba, abajo a la izquierda, abajo a la derecha). Además, algunos pares de las principales comunidades tienen grupos de comunidades más pequeñas que actúan como "puentes" entre ellos (por ejemplo, entre la parte inferior izquierda e inferior derecha, cerca del centro)



domingo, 31 de julio de 2016

Las redes de producción global como partículas


Econofísica: O por qué, cuando se trata de economía, todos se comportan como partículas
Este artículo se publica en colaboración con VoxEU.

World Economic Forum

Una escalera mirando como un caracol se representa en 'Haus der Wirtschaft Bayrischen' un edificio de Munich el 14 de febrero de 2012. 
Un nuevo estudio aplica las teorías de los movimientos de partículas colectivas a los datos sobre el comercio mundial.


Escrito por
Tsutomu Watanabe
Profesor de Economía, Facultad de Economía, Universidad de Tokio
Sakamoto Yohei
Doctor en Filosofía. candidato en Física Teórica, Facultad de Ciencias, Universidad de Kyoto
Takaaki Ohnishi
Profesor Asociado de la Facultad de Ciencias de la Información y Tecnología de la Universidad de Tokio
Takayuki Mizuno
Profesor Asociado de Informática, Instituto Nacional de la Informática y SOKENDAI
Hiroshi Iyetomi
Profesor de Matemáticas, Universidad de Niigata
Yuichi Ikeda
Profesor de Física, Facultad de Estudios Integrados Avanzados en Supervivencia Humana, Universidad de Kyoto
Hideaki Aoyama

Introducción del editor: Desde su creación hace más de dos siglos, la economía ha logrado avances sustanciales mediante la incorporación de conocimientos y métodos de otras disciplinas científicas. Una emergente campo interdisciplinario que ha ganado fuerza en las últimas dos décadas es econofísica, que se aplica teorías y métodos de la física a los problemas que tradicionalmente económicos y los datos. Esta columna presenta una de las últimas contribuciones en el campo, la aplicación de las teorías de los movimientos de partículas colectivas a los datos sobre el comercio mundial.

estudios teóricos recientes que utilizan oscilador de ciclo límite junto modelos1 sugieren que los términos de interacción, debido al comercio internacional pueden ser vistos como el origen de la sincronización (Pikovsky et al., 2001, Ikeda et al. 2013, 2014). Hemos observado varios tipos de Propuestas2 colectivo para la dinámica económica, como la sincronización de los ciclos económicos en la compleja red económica gigante. Los vínculos entre las economías nacionales desempeñan un papel importante en las crisis económicas, así como en los estados económicos normales. Una vez que se produce una crisis económica en un determinado país, la influencia se propaga instantáneamente hacia el resto del mundo. Un ejemplo destacado es la crisis mundial provocada por el impago de los préstamos hipotecarios de alto riesgo en 2007 y la posterior quiebra de un importante banco de inversión afectados por la devaluación de valores respaldados por hipotecas y obligaciones de deuda garantizadas en 2008. La compleja red económica global podría mostrar colectiva característicos incluso movimientos de las crisis económicas más pequeñas.

La sincronización de los ciclos económicos internacionales

La base de datos de entrada-salida Mundial ha sido desarrollado para analizar los efectos de la globalización en los patrones de comercio en un amplio conjunto de países (Timmer 2012). Esta base de datos incluye datos de comercio internacional de sectores específicos de la industria anual en 41 países y 35 sectores de la industria desde 1995 hasta el 2011, con 1.435 nodos de la red de comercio internacional. La figura 1 muestra el cambio temporal de la amplitud para el parámetro de orden, 3R (t), obtenida a partir del análisis de la base de datos de entrada-salida Mundial para 1996-2011. coherencia de fase disminuye gradualmente a finales de 1990, pero aumentó considerablemente en 2001 y 2002. El cambio en 2009 fue causado por la crisis financiera, tras el accidente burbuja inmobiliaria en los EE.UU.. parameters4 fin se calcula la tasa de crecimiento de las series temporales valor añadido mezcladas al azar, pero autocorrelación de retención (Iyetomi et al. 2011a, Iyetomi et al. 2011b) y un promedio de más de 1000. El tiempo barajado serie se representa por la curva plana en negro la parte inferior de la figura. La comparación muestra que el parámetro de orden medio es evidentemente mayor que el error sistemático del método de análisis. Por lo tanto, la sincronización observada para cada una de las comunidades vinculadas es estadísticamente significativa.


Figura 1. Variación temporal de la amplitud de parámetro de orden

 cambio temporal en la amplitud de parámetro de orden de archivo: VoX UE

Notas: El cambio temporal en la amplitud para el parámetro de orden, r (t), obtenido a partir del análisis de la base de datos de entrada-salida Mundial, se muestra 1996-2011. coherencia de fase disminuye gradualmente a finales de 1990, pero aumentó considerablemente en 2001 y 2002. A partir de 2002, las amplitudes para el parámetro de orden se mantuvo alta, excepto en 2005 y 2009.

La propagación de las crisis económicas en la red mundial de producción

Identificamos la estructura de comunidad [5] para cada segmento de tiempo de la red mundial de producción construida a partir del G7 Global de Datos de Producción. La Figura 2 muestra ejemplos de estructuras comunitarias obtenidos para (a) de 2004, (b) 2007, (c) 2010, y (d) de 2013. El valor medio de la modularidad es QS6 0,302 en 2001 y 2013. Los Qs máximo y mínimo son modularidad 0,410 y 0,153, respectivamente. Esto indica que la estructura de la comunidad se identifica claramente a la red de producción global. El número de las principales comunidades varía entre dos y cuatro. Había dos comunidades principales de la crisis económica mundial en 2007 y 2010. El número de grandes comunidades en periodos económicos normales (2004 y 2013) es más grande que los períodos con las crisis económicas (2007 y 2010). Esto se puede interpretar como la producción de todos los sectores de la industria en los países del G7 comportamiento similar durante las crisis económicas. El riesgo económico se propaga instantáneamente a todos los sectores de la industria en los países del G-7, y todas las industrias, busque una nueva demanda. En consecuencia, los nuevos enlaces (relaciones comerciales) palmo más allá de las comunidades observadas en periodos económicos normales.

La evolución temporal de las comunidades se caracteriza por rel entre las comunidades de años adyacentes. La similitud de las comunidades ci y cj en años adyacentes se midió utilizando el índice de Jaccard, J (ci; cj). Hay un cambio temporal en la comunidad structure7 - es decir, la dinámica de la comunidad son considerados como un ejemplo de movimiento colectivo. Se obtuvieron tres communities8 vinculados antes de la crisis. comunidades vinculadas 1 a 3 corresponden a Europa, los EE.UU. y Canadá, respectivamente. Japón distribuye a las tres comunidades. Luego dos comunidades vinculadas (comunidades vinculadas 4 y 5) se obtuvieron durante el periodo de la crisis. comunidades ligadas 4 y 5 representan sectores. Por ejemplo, la comunidad vinculada 4 se compone de productos de los sectores del acero, equipos de transporte, productos químicos, productos de pulpa y papel, productos informáticos y electrónicos, y otros. comunidad unida 5 se compone de productos metálicos, maquinaria de precisión, productos textiles, y otros. Se obtuvieron cuatro comunidades ligadas después de la crisis. comunidades vinculadas 6 a 9 representan Canadá, los EE.UU., Japón y Europa. Algunos países europeos distribuidos a las comunidades vinculadas 6 y 7.

Figura 2. Ejemplos de estructuras comunitarias para 2004, 2007, 2010, y 2013


 Ejemplos de estructuras comunitarias para 2004, 2007, 2010 y 2013 Image: VoX UE
Notas: las estructuras comunitarias obtenidos para (a) de 2004, (b) 2007, (c) 2010, y (d) de 2013. El valor promedio de Qs de modularidad es 0,302 durante 2001 y 2013. El máximo y mínimo de la modularidad son 0,410 y 0,153 , respectivamente. Esto indica que la estructura de la comunidad se identifica claramente a la red de producción global.

Capacidad de control de la red mundial de producción

Aplicamos la teoría de la controlabilidad [9] estructural a las redes complejas (Liu et al 2011). Los nodos conductores [10] se identifican por el juego máximo en la representación bipartita de la red (Moore y Mertens 2011). Se identificó el número de nodos controladores de la red de producción global. El cambio temporal del número de nodos de controlador se muestra en la Figura 3. Tenga en cuenta que el número de nodos de controlador aumentó durante la crisis económica entre 2008 y 2010. Durante las crisis económicas dentro de la muestra, la parte de los nodos del controlador nD alcanza alrededor del 80% de todos los nodos, mientras que nD es de aproximadamente 60% durante los periodos normales.

El aumento observado en el número de nodos de controlador durante la crisis económica puede explicarse cualitativamente por la heterogeneidad en términos de grado distribution.11 Esto significa que no podemos esperar para el control de la economía real mundial mediante la estimulación de un número relativamente pequeño de nodos. Por otra parte, se hace más difícil introducir una medida para controlar el estado de la economía mundial durante las crisis económicas que durante los períodos económicos normales.

Figura 3. Número de nodos de controlador a través del tiempo

 Número de nodos controladores en el tiempo de archivo: VoX UE

Notas: El número de nodos de controlador aumentó durante la crisis económica entre 2008 y 2010. Durante las crisis económicas, la parte de los nodos del controlador nD alcanza aproximadamente el 80% de todos los nodos, mientras que nD es de un 60% durante los períodos normales.

Conclusión

A través de nuestro análisis, hemos observado varios tipos de movimientos colectivos en la economía global bajo la liberalización del comercio:

La sincronización de los ciclos económicos internacionales; la propagación inmediata de riesgo económico; y, una dificultad estructural de capacidad de control durante las crisis económicas.

Aunque muchos japoneses pequeñas y medianas empresas podrían lograr un mayor crecimiento económico a través del libre comercio, también hay que prestar atención al hecho de que las crisis económicas, una vez negativos se producen en una economía regional, que se propagan al resto del mundo de forma instantánea, sin fuertes medida de control durante las crisis económicas.

Nota del editor: La investigación principal sobre el que se basa esta columna apareció como un documento de debate del Instituto de Investigación de Economía, Comercio e Industria (Rieti) de Japón.

Referencias

Ikeda, Y et al (2013) “Synchronization and the coupled oscillator model in international business cycles", RIETI Discussion Paper No. 13-E-089.

Ikeda, Y et al (2016) “Econophysics point of view of trade liberalization: Community dynamics, synchronization, and controllability as example of collective motions”, RIETI Discussion Paper No. 16-E-026.

Ikeda, Y, H Iyetomi, T Mizuno, T Ohnishi and T Watanabe (2014) "Community structure and dynamics of the industry sector-specific international-trade-network", in Signal-Image Technology and Internet-Based Systems (SITIS): 456-461.

Iyetomi, H, Y Nakayama, H Aoyama, Y Fujiwara, Y Ikeda and W Souma (2011) “Fluctuation-dissipation theory of input-output interindustrial relations", Phys. Rev., E 83, 016103.

Iyetomi, H, Y Nakayama, H Yoshikawa, H Aoyama, Y Fujiwara, Y Ikeda and W Souma (2011) “What causes business cycles? Analysis of Japanese industrial production data", J. Japanese Int. Economics, 25: 246-272.

Liu, Y-Y et al (2011) “Controllability of complex networks", Nature, 473: 167-173.

Moore, C and S Mertens (2011) The nature of computation, p409, Oxford University Press: New York.

Pikovsky, A, M Rosenblum and J Kurths (2001) Synchronization: A universal concept in nonlinear sciences, Cambridge University Press.

Timmer, M P (ed) (2012) “The World Input-Output Database (WIOD): Contents, sources and methods", WIOD Working Paper Number: 10.

Notas finales


[1] El movimiento cuasi-periódica de una trayectoria de la partícula en el espacio de fase se llama un oscilador de ciclo límite. Un modelo de oscilador de ciclo límite acoplada, describe la interacción entre estas partículas por ecuaciones diferenciales simultáneas.

[2] Cuando los elementos constituyentes interactúan fuertemente entre sí.

[3] El parámetro de orden es un número complejo con la amplitud y la fase. La amplitud se interpreta para representar grado de sincronización.

[4] parámetros de orden Primero se calculó para el valor añadido de series de tiempo (la serie de tiempo original) para los nodos (sector industrial de un país) en cada comunidad. A continuación, se calculó un parámetro para que la serie temporal en orden aleatorio obtenido por revolver la serie de tiempo original. A continuación, se compararon los parámetros de orden y afirmó que el mencionado para la serie de tiempo original es mucho más grande que el parámetro para el barajado.

[5] Una comunidad es una parte densamente conectadas por una red compleja. Dentro de una comunidad, los enlaces entre nodos son densas en comparación con una red aleatoria con el mismo grado de distribución.

[6] La modularidad es una medida de la singularidad de la estructura de la comunidad. Una modularidad grande indica una estructura de la comunidad bien identificada. Típicamente, una magnitud de 0,3 se considera que es lo suficientemente grande.

[7] Esto se refiere a la tendencia de la estructura de la red para mostrar la no uniformidad espacial.

[8] Se realizó un análisis comunitario para cada intervalo de tiempo de la red. Como tal, no sabemos qué comunidad en el año t corresponde a la que la comunidad en el año t + 1. Identificamos la correspondencia de las comunidades en el año contigua utilizando el índice de Jaccard. Communties enlaces de esta manera se denominan comunidades vinculadas.

[9] Esta teoría se describe la posibilidad de controlar el sistema basado únicamente en la información estructural de la red.

[10] Nodo al que se le es dado entradas para controlar todo el sistema.

[11] Reconocemos que la heterogeneidad es pequeño si el grado de distribución es una distribución de Gauss o distribución log-normal. Por otro lado, reconocemos la heterogeneidad es grande si el grado de distribución es una distribución de potencia de retardo, y a menudo una función exponencial.

viernes, 29 de julio de 2016

La disyuntiva entre diversidad-ancho de banda (Aral y Van Alstyne)

La disyuntiva entre diversidad-ancho de banda

Sinan Aral,
New York University, Stern School of Business 
sinan@stern.nyu.edu
Marshall Van Alstyne,
Boston University, School of Management 
mva@bu.edu




Proponemos una disyuntiva entre la diversidad de red y ancho de banda de las comunicaciones que regula el acceso a información novedosa porque estructura de red más diversas aumentan la novedad al costo de reducir el flujo de información. Entonces la recepción de novedades depende de si (a) la superposición de información entre los alters es lo suficientemente pequeña, (b) el conocimiento del tópico por parte de los alters es superficial, y (c) los niveles de conocimiento de los alters se actualiza lo suficientemente lento como para justificar la reducción de agujeros estructurales. Datos de redes sociales y datos del contenido de correo electrónico de una firma de reclutamiento de ejecutivos muestran que los lazos de puente en realidad pueden ofrecer menos novedades precisamente por estas razones, lo que sugiere que la fuerza de los lazos débiles y agujeros estructurales dependen de entornos de intermediarios de información.


jueves, 28 de julio de 2016

ARS 101: Algoritmo Wakita-Tsurumi


Encontrando estructura de comunidad en redes sociales de mega-escala 


Ken Wakita [1] y Toshiyuki Tsurumi [2]

[1] Instituto de Tecnología de Tokio
2-12-1 Ookayama, Meguro-ku
Tokyo 152-8552, Japón
wakita@is.titech.ac.jp

[2] Instituto de Tecnología de Tokio
2-12-1 Ookayama, Meguro-ku
Tokyo 152-8552, Japón
tsurumi2@is.titech.ac.jp

ARXiv


Resumen

El algoritmo de análisis de comunidad propuesto por Clauset, Newman, y Moore (algoritmo CNM) encuentran estructuras de comunidad en las redes sociales. Por desgracia, el algoritmo CNM no se escala bien y su uso está prácticamente limitado a las redes cuyos tamaños son de hasta 500.000 nodos. En el documento se identifica que esta ineficiencia se debe a la fusión de las comunidades de manera desequilibrada. El artículo presenta tres tipos de indicadores (índice de consolidación) para controlar el proceso de análisis de la comunidad tratando de equilibrar los tamaños de las comunidades que se pueden fusionar. Tres matices de los algoritmos CNM se construyen para ser incorporados en esas métricas. La técnica propuesta se prueban s utilizando conjuntos de datos obtenidos a partir de un servicio de red social que alberga 5,5 millones de usuarios existente. Todos los métodos muestran una dramática mejora de la eficiencia de la ejecución en comparación con el algoritmo original CNM y muestra una alta capacidad de ampliación. El método más rápido procesa una red con 1 millón de nodos en 5 minutos y una red con 4 millones de nodos en 35 minutos, respectivamente. Otra procesa una red con 500.000 nodos en 50 minutos (7 veces más rápido que el algoritmo original), encuentra estructuras de la comunidad que ha mejorado la modularidad y báscula a una red con 5,5 millones.




Figura 3: Nuestras implementaciones de comunidades. Una comunidad mantiene un enlace a sus comunidades vecinas en una lista de comunidades pares y un par que tiene un máximo valor de ∆Q.



Figura 4: Mezcla de c1 y c5 en la Figura 3 producida una nueva comunidad c7. Durante la mezcla, los pares de comunidades para la fusión actualizando sus valores de Q.



Figura 5. Red Small-World, generada con Pajek, de 1000 nodos con probabilidad de enlace del 0,5.

Figura 6. El algoritmo WT detectó 43 comunidades