Ejercicio Tutorial UCINET VI Análisis y Gestión de

Anuncio
Ejercicio Tutorial UCINET VI
Curso de Especialización en
Análisis y Gestión de Redes Sociales
José Ignacio Porras
Mayo 2005
UCINET 6 for Windows
Version 6.26 / 30 May 2003
NetDraw1.0:
Copyright 2002
----Elaborado con base a los trabajos de Agueda (2003), Gutierrez (2005) y Molina (2005)
Introducción.
Este ejercicio tiene como objetivo aprender y poner en práctica las
herramientas básicas que provee el programa UCINET 6 y NetDrawn1 para el análisis
y representación de redes sociales. Para un uso más avanzado de ambos programas
de software tienes a tu disposición los instructivos que encontrarás en ellos.
1/ Punto de Partida. Introduciendo los Datos.
Existen dos formas de introducir datos en Ucinet VI. La primera es a través de
la hoja de datos que provee el propio software, mientras que la segunda es utilizando
un fichero de texto. La primera opción es recomendable para el análisis de redes de
pocos componentes, mientras que la segunda te será mucho más útil en el análisis de
grandes redes.
a) Utilizando Hoja de Datos.
En la ilustración puede verse el botón que permite activar la matriz de datos de
UCINET .
Una vez cliqueado el botón haremos la práctica de introducir una red de
solamente 5 actores para experimentar las diferentes posibilidades. Lo primero que
haremos será seleccionar la opción de datos simétricos – si A tiene relación con B, B
también tiene relación con A- para introducir fácilmente los nombres de los distintos
actores.
2
A continuación cliquearemos en la celda seleccionada y escribiremos los 5
nombres. Una vez escritos copiaremos estas etiquetas de las filas a las columnas con
el siguiente comando:
A continuación indicaremos con un 1 si existe relación. Dado que la matriz es
simétrica sólo es necesario que un sentido de la relación (A tiene relación con B, A
tiene relación con D,… pero no B tiene relación con A). El espejo de las relaciones
indicadas apareceran en la matriz automáticamente a través del comando:
Cuando trabajamos con
manualmente realizar esta función.
matrices
que
son
asimétricas
deberemos
Finalmente, rellenaremos la “no relación” con 0. Para ello utilizaremos el
comando:
Por último, sólo nos queda guardar la matriz en un fichero:
3
b) Fichero de Texto.Ucinet VI dispone de muchos tipos de formato para los ficheros de texto, pero
el más útil es el siguiente:
Recuerda que dl = “número de actores existentes en la red”. Debajo de este
comando debe escribirse textualmente las relaciones existentes.
4
Si copiamos estas instrucciones en un fichero de texto y lo guardamos
como prueba2.txt podremos importarlo a Ucinet VI de la siguiente forma:
A menudo nos encontramos con matrices de Modo 2 o rectangulares
ya que tienen diferentes series de actores en filas y en las columnas. Es el
caso, por ejemplo, cuando los encuestados citan nombres libremente, sin
escogerlos de una lista. Vamos a suponer que realizamos una investigación
sobre movilidad laboral entre comunas/poblaciones de una ciudad. No todas
las comunas/poblaciones reciben trabajadores desde las comunas/poblaciones
de residencia, por lo que no coinciden el número de nodos en las filas y en las
columnas. En concreto tenemos una matriz de 10 comunas/poblaciones en las
filas y 24 comunas/poblaciones en las columnas.
El fichero de datos es el siguiente:
5
Seleccionemos estos datos y copiémoslos en un fichero de texto con nombre
“comunas.txt”. Desde Ucinet VI realizaremos la importación:
Abriremos la hoja de datos y cargaremos el fichero importado. A continuación
cambiaremos las filas a 24 y copiaremos los nombres de las columnas a las
fichas. Por último rellenaremos son ceros las celdas en blanco y guardaremos
una matriz de Modo 1 (= filas y columnas) con un nombre nuevo. El resultado
debería ser el siguiente:
En ocasiones nos interesa conservar la matriz de Modo 2 y hacer un
análisis de filas x filas o columnas x columnas. Veamos para el caso de un
estudio que analiza la asistencia por parte de un grupo de mujeres a eventos
sociales. El fichero que tenemos es el siguiente:
6
De nuevo seleccionamos los datos anteriores y los copiamos en un fichero de
texto. Este fichero lo importamos desde Ucinet (DL). Esta matriz de 18 mujeres
en las filas y 14 eventos sociales en las columnas puede ser analizada de
forma que obtengamos una matriz de mujeres por mujeres (18 x 18) y una
matriz de eventos por eventos (14 x 14). En cada caso el análisis nos permitirá
identificar grupos de mujeres o de eventos, mujeres o eventos centrales o
periféricos, en fin, obtener medidas estructurales sobre las relaciones.
Para ello seleccionamos en Ucinet 6:
En la ventana de diálogo que aparece a continuación seleccionamos el fichero
importado y elegimos si queremos obtener la nueva matriz a partir de los datos
de las filas (rows) o de las columnas (column)
Si elegimos “Row” obtendremos un fichero llamado Affiliations.#h de 18 x 18
con la siguiente matriz:
7
Para un análisis de las columnas procederemos de la misma forma.
2/ Análisis de Indicadores de Propiedades Estructurales.
Una vez que hemos ingresado los datos en el programa, procedamos a
aprender las herramientas básicas del cálculo de indicadores de las propiedades
estructurales de las redes sociales. Para ello vamos a atender el indicador más
importante del ARS, la centralidad
Para calcular las diferentes medidas de centralidad debemos operar con los comandos
correspondientes, estos son: NETWORK < CENTRALITY lo que nos mostrará un
menú de medidas de centralidad. Empezaremos primero con DEGREE (Grado)
Para esto buscamos nuestro archivo con nuestra red y calculamos las medidas de
centralidad. Los mismos pasos deben repetirse para cada una de las medidas
estudiadas en clases, es decir para BETWEENNESS < NODES (Intermediación) y
para CLOSENEES (Cercanía).
Para el caso de la centralidad de grado, dependiendo de la relación propuesta para el
análisis, debemos trabajar con cálculos simétricos o asimétricos, lo que debe quedar
explicitado en el cuadro de dialogo que se observa al calcular la medida, en el ejemplo
estos son asimétricos pues la relación “conocerse previamente” no suponía una
relación de simetría entre los actores involucrados, pero en otros tipos de relación esta
puede imputarse como simétrica.
8
Para el caso del cálculo de centralidad de intermediación y centralidad de cercanía el
cálculo simétrico es automático en el análisis. Importante es no usar la diagonal para
el cálculo de las medidas pues son relaciones entre actores individuales pues esta
hará variar las medidas.
Finalmente el programa nos mostrará un cuadro para cada medida de centralidad
(como la de intermediación que se ve a continuación) con los cálculos ya realizados.
La columna “nBetweenness” indica la intermediación normalizada, es decir, el
porcentaje de conexiones que tiene un nodo sobre el total de la red. Por ultimo los
estadísticos descriptivos nos presentan información sobre los valores que toman las
medidas de centralidad en el conjunto de la red, media, desviación estándar.
El cálculo del resto de indicadores que proporcina UCINET VI (Density,
Cohesión, Sugroups,…)se producen desde la misma lógica de funcionamiento. Si
tienen dudas, cuentan con información detallada en las ventanas de diálogo de cada
indicador (“Help”).
9
2/ Elaboración de Grafos. NetDrawn 1.
Vamos ahora hacia NetDrawn para poder iniciarnos en la producción de los
grafos de nuestras redes. Para ello comencemos abriendo el programa haciendo click
en su icono.
Una vez abierto el programa NetDrawn vamos a abrir alguna de las matrices que
hemos ingresado a UCINET . Para ello vamos al icono “open Ucinet network dataset”
y elegimos la matriz con la que queremos trabajar.
10
Al abrir la matriz obtendremos su graficación. En el caso de la ilustración, las
relaciones de amistad entre un grupo de estudiantes universitarios.
Por cada par de personas que habíamos conectado en la matriz (mediante el 1 que
señalaba la relación) observamos un vínculo que une los dos nodos. Como se trata de
una relación no orientada, cada grafo tiene una doble flecha (Hugo conoce a Liliana y
Liliana conoce a Hugo). Un grafo no orientado también se representa como un
segmento que une dos nodos, sin ninguna flecha que indique dirección.
Esta red nos presenta una fotografía de las relaciones que existen al interior de
un grupo (la clase, en este caso). A simple vista podemos observar que existen
individuos más conectados que otros, que existen sub-grupos dentro de la red, etc.
Podríamos entonces intentar establecer hipótesis acerca de las relaciones existentes.
Por ejemplo, podríamos inducir que las personas que cursan las mismas carreras se
relacionan más entre sí que las de carreras diferentes. Para ello, necesitamos
complementar la información.
Para ello deberemos superponer una matriz en la que hayamos asignado atributos a
los diferentes actores. En el caso que nos ilustra superpondremos la matriz que
contiene la información sobre las carreras a la matriz que representaba las relaciones
de conocimiento y que ya hemos realizado.
11
La operación es muy sencilla. Abrimos la matriz de atributos (haciendo click en
el tercer icono desde la izquierda “open UCINET attibute dataset”) y seleccionamos el
fichero “carrera.##h”:
A continuación introduciremos los atributos en la Red, haciendo clic sobre el
cuarto icono de la barra a la izquierda.
Se desplegará una ventana de diálogo en la que seleccionaremos el nombre de
la matriz de atributos.
12
En la ventana veremos los distintos atributos asignados a los actores asociados a
un color diferente. Por ejemplo, en el ejercicio que nos ilustra vemos los cuatro códigos
que hemos introducido para las cuatro carreras que son estudiadas por los alumnos de
la red, cada uno de ellos asociado a un color diferente. Si quisiéramos cambiar el color
adjudicado a alguno, sólo hay que hacer click sobre el rectángulo de color que se
encuentra a la izquierda del código y seleccionar el color que deseamos en la paleta
que se despliega.
Una vez efectuado el cambio, hacemos click sobre el botón “Aceptar”. Vemos
entonces que a cada persona le corresponde el color de la carrera que está
estudiando: rojo para antropología, verde para arqueología, azul para sociología y gris
para psicología social.
13
Pero todavía podemos especificar más la información. Para ello superponemos otra
nueva matriz con otros atributos asignados a los actores de la red. En el estudio que
nos ilustra, introducimos los datos correspondientes al sexo, utilizando formas
diferentes para los nodos, según representen hombres o mujeres. Introducimos
entonces la matriz correspondiente al sexo (icono de datos atributivos, presentado en
la figura 18), sexo.##h. Y seleccionamos la función “Choose node shapes according to
attribute values” (tercer icono contando desde la izquierda):
14
Se abrirá una ventana similar a la que utilizamos para definir los colores.
Seleccionamos el atributo “sexo”. Un consejo: si en el menú desplegable (“select
attibute”) no vemos el atributo que queremos introducir, debemos descender hacia el
final de la ventana, hasta encontrarlo. A continuación seleccionaremos un triángulo
para identificar a los hombres (codificados con el valor “1”) y un círculo para identificar
a las mujeres (codificadas con el valor “2”). De esta manera hemos introducido los dos
atributos en la red. Y obtenemos el siguiente resultado:
El gráfico nos ofrece la red total de estudiantes. Pero también es posible
visualizar el gráfico para ver los patrones de relación en ausencia de uno de los
actores o varios de ellos. Para ello solo es necesario dirigirse a la ventana abierta al
margen derecho de la pantalla “Select Nodes” e ir borrando los stick de aquellos
actores que nos interesa sacar del grafo. El resultado será una recomposición de las
relaciones en razón de la ausencia de este actor.
Una vez hemos trabajado con nuestro gráfico es el momento de guardarlo.
Para ello exportaremos la imagen de la red que hemos obtenido. Desde la función
“File” de la barra de menús seleccionamos la función “Save diagram as” y luego el
formato que elijamos (en este caso, “Bitmap”)
15
A partir de los elementos que te hemos entregado en este ejercicio tutorial llega
el momento de que descubras por ti mismo todas las posibilidades que te ofrecen
ambos programas. Como sugerencia principal, anímate a experimentar y enfoca tu
esfuerzo de autoaprendizaje hacia aquellas funciones que consideras pueden ser más
útiles para tus investigaciones.
16
Descargar