Zentralitätsanalyse — Grad, Zwischen-Sein, Eigenvektor
- Eingeführt von
- Linton C. Freeman
- Jahr
- 1979
- Typ
- Descriptive / exploratory network measure family
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Zentralitätsanalyse ist eine Familie von netzwerkanalytischen Maßen, die von Freeman (1979) formalisiert wurde und die strukturelle Bedeutung einzelner Knoten innerhalb eines Graphen quantifiziert.
Jeder Zentralitätsindex erfasst einen unterschiedlichen Mechanismus des Einflusses: Gradzentralität spiegelt direkte Konnektivität wider, Zwischen-Sein-Zentralität identifiziert Knoten, die den Informationsfluss vermitteln, Nähezentralität erfasst die Nähe zu allen anderen und Eigenvektorzentralität (zusammen mit PageRank) belohnt die Verbindung zu stark verbundenen Nachbarn.
Die Intuition hinter der Methode
Nicht jeder Knoten in einem Netzwerk ist gleich wichtig. Eine Stadt, durch die viele Straßen führen, ist für den Verkehr kritischer als eine, die an einer Sackgasse liegt, auch wenn beide Städte die gleiche Anzahl direkter Straßenverbindungen haben. Zentralitätsmaße übersetzen diese Intuition in Zahlen. Gradzentralität zählt einfach, wie viele Nachbarn ein Knoten hat. Zwischen-Sein-Zentralität zählt, wie oft ein Knoten auf dem kürzesten Weg zwischen jedem anderen Paar liegt, und enthüllt Gatekeeper. Nähezentralität misst, wie schnell ein Knoten alle anderen erreichen kann. Eigenvektorzentralität gewichtet den Beitrag jedes Nachbarn danach, wie zentral dieser Nachbar ist, sodass die Verbindung zu einflussreichen Knoten wichtiger ist als die reine Anzahl. Jedes Maß beantwortet eine andere Frage darüber, wer oder was im Netzwerk am wichtigsten ist.
Geschichte
Freeman (1979) lieferte die grundlegende konzeptionelle Klärung des Feldes und vereinte drei zuvor verstreute Ideen – Grad, Zwischen-Sein und Nähe – unter einem einzigen theoretischen Rahmen für die Zentralität sozialer Netzwerke. Borgatti (2005) erweiterte den Rahmen, indem er jeden Zentralitätstyp mit spezifischen Modellen des Netzwerkflusses verband und den Maßen eine klarere theoretische Grundlage gab. Eigenvektorzentralität hatte frühere Wurzeln in der Spektralanalyse von Matrizen und wurde später für Netzwerke operationalisiert; Googles PageRank (1998) ist sein bekanntester angewandter Nachkomme.
Wann wird sie eingesetzt?
Zentralitätsanalyse wird angewendet, wann immer relationale Daten als Graph dargestellt werden können und die Frage sich auf die strukturell wichtigsten Knoten bezieht. Sie wird in der sozialen Netzwerkanalyse, Bibliometrie, Biologie, Transportwesen und in der Forschung zu Informationssystemen eingesetzt. Es ist keine Normalitätsannahme erforderlich, und die Methode eignet sich für Querschnitts- und Längsschnittnetzwerkdaten. Das Netzwerk sollte verbunden sein, oder Komponenten sollten separat analysiert werden, damit Pfad-basierte Maße wie Zwischen-Sein und Nähe gut definiert sind. Mindestens 10 Knoten sind für interpretierbare Werte erforderlich, und mindestens 20 für statistisch aussagekräftige Zentralitätsranglisten. Gewichtete Netzwerke erfordern eine theoretisch fundierte Gewichtsdefinition, bevor die Zentralität berechnet wird.
Grenzen und Hinweise
- Zwischen-Sein-Zentralität hat eine Berechnungskomplexität von O(VE), was sie bei sehr großen Netzwerken teuer macht.
- Pfad-basierte Maße (Zwischen-Sein, Nähe) sind in getrennten Graphen undefiniert oder erfordern eine spezielle Behandlung.
- Zentralitätswerte sind empfindlich gegenüber der Wahl der Kantengewichtsdefinition in gewichteten Netzwerken; ein schlecht gewähltes Gewicht verzerrt jeden Index.
- Bei weniger als 20 Knoten fehlt den Maßen statistische Aussagekraft, und sie sollten als explorative Beschreibungen und nicht als inferentielle Ergebnisse behandelt werden.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Jeder Index erfasst einen unterschiedlichen Mechanismus struktureller Bedeutung und liefert ein multidimensionales Porträt des Netzwerks.
- Es sind keine Verteilungsannahmen erforderlich; die Methode funktioniert auf jedem Graphen unabhängig vom Variablentyp.
- Grad- und Eigenvektorzentralität skalieren effizient für sehr große Graphen; Gradzentralität wird in O(V+E) berechnet.
- Weit verbreitet in verschiedenen Disziplinen – von Soziologie und Biologie bis hin zur Informatik –, was die Ergebnisse breit kommunizierbar macht.
Anwendungen
- Identifizierung von Meinungsführern und Informationsvermittlern in sozialen und organisationalen Netzwerken.
- Abbildung wissenschaftlichen Einflusses durch Berechnung der Zentralität in Koautorschafts- oder Zitationsnetzwerken.
- Lokalisierung kritischer Infrastrukturknoten in Transport-, Stromnetz- und Internet-Topologienetzwerken.
- Priorisierung von Impf- oder Überwachungszielen in epidemiologischen Netzwerken durch Identifizierung von Spreadern mit hohem Zwischen-Sein.
- Erkennung von Gatekeepern in Lieferketten- und Finanznetzwerken zur Bewertung systemischer Risiken.
So funktioniert es
So funktioniert es
Ein Graph wird aus den relationalen Daten zusammengestellt: Knoten repräsentieren Entitäten (Personen, Institutionen, Webseiten) und Kanten repräsentieren die Beziehungen oder Interaktionen zwischen ihnen. Der Analytiker entscheidet, ob Kanten gerichtet oder ungerichtet sind und ob sie Gewichte tragen. In gerichteten Netzwerken werden Eingangsgrad (in-degree) und Ausgangsgrad (out-degree) separat berechnet und unterschiedlich interpretiert. Die Gültigkeit von Zentralitätswerten hängt vollständig davon ab, ob die Graphstruktur eine getreue Darstellung der realen Beziehungen unter Untersuchung ist.
Der Analytiker wählt, welcher Zentralitätsindex – oder welche Kombination von Indizes – zur inhaltlichen Fragestellung passt. Gradzentralität ist geeignet, wenn rohe Konnektivität von Interesse ist. Zwischen-Sein-Zentralität wird gewählt, wenn der Fokus auf Vermittlung und Informations-Gatekeeping liegt, auf Kosten eines höheren Rechenaufwands (O(VE)) bei großen Graphen. Nähezentralität ist sinnvoll, wenn das Netzwerk verbunden ist oder wenn Komponenten separat analysiert werden. Eigenvektorzentralität oder PageRank wird ausgewählt, wenn Prestige und rekursiver Einfluss wichtig sind. Für gewichtete Netzwerke muss die Gewichtsdefinition theoretisch sinnvoll sein, bevor ein Index berechnet wird.
Jeder ausgewählte Index wird über den Graphen berechnet. Gradzentralität wird normalisiert, indem der rohe Grad durch (n-1) geteilt wird. Zwischen-Sein-Zentralität zählt kürzeste Pfade durch jeden Knoten und wird durch die Gesamtzahl der Knotenpaare normalisiert. Nähezentralität ist der Kehrwert des durchschnittlichen kürzesten Pfadabstands von einem Knoten zu allen erreichbaren Knoten. Eigenvektorzentralität wird als der Haupt-Eigenvektor der Adjazenzmatrix gelöst und erfordert Iteration bis zur Konvergenz. Knoten werden nach jedem Wert geordnet, und die Verteilung der Werte wird auf Konzentration untersucht.
Die resultierenden Zentralitätswerte und Ranglisten werden im inhaltlichen Kontext der Studie interpretiert. Knoten mit hohem Grad sind gut vernetzte Hubs; Knoten mit hohem Zwischen-Sein sind strukturelle Brücken oder Vermittler; Knoten mit hoher Nähe können Informationen schnell verbreiten; Knoten mit hohem Eigenvektor sind in einflussreiche Nachbarschaften eingebettet. Mehrere Indizes werden verglichen, um Knoten aufzudecken, die in einer Dimension hoch rangieren, aber nicht in einer anderen, was oft das theoretisch interessanteste Ergebnis ist. Netzwerke mit weniger als 20 Knoten ergeben Zentralitätswerte, die statistisch dünn sind und nur als rein beschreibend behandelt werden sollten.
Häufige Fallstricke
- Die Anwendung von Zwischen-Sein oder Nähe auf einen getrennten Graphen ohne vorherige Zerlegung in Komponenten führt zu undefinierten oder irreführenden Werten für isolierte Knoten.
- Die Behandlung aller fünf Zentralitätsindizes als austauschbar – jeder beantwortet eine andere Frage, und die Wahl des falschen Index für die inhaltliche Hypothese ist ein häufiger Fehler.
- Das Ignorieren der Kantengerichtung in gerichteten Netzwerken fasst Eingangsgrad und Ausgangsgrad zu einer einzigen Zahl zusammen und verliert Informationen über die Asymmetrie der Beziehungen.
- Die Interpretation von Zentralitätswerten in Netzwerken mit weniger als 20 Knoten, als wären sie statistisch robust – unterhalb dieser Schwelle sind die Werte rein deskriptiv und sollten nicht für inferentielle Schlussfolgerungen verwendet werden.
Häufig gestellte Fragen
Welches Zentralitätsmaß sollte ich verwenden?
Die Wahl hängt von Ihrer inhaltlichen Fragestellung ab. Verwenden Sie Gradzentralität, um Knoten mit den meisten direkten Verbindungen zu identifizieren. Verwenden Sie Zwischen-Sein-Zentralität, um Vermittler zu finden, die den Informationsfluss zwischen Netzwerkteilen kontrollieren. Verwenden Sie Nähezentralität, um Knoten zu identifizieren, die alle anderen schnell erreichen können. Verwenden Sie Eigenvektorzentralität oder PageRank, wenn das Prestige der Nachbarn eines Knotens genauso wichtig ist wie ihre Anzahl. Die Berichterstattung über zwei oder drei komplementäre Indizes und der Vergleich der Ranglisten ist in der Regel informativer als die Verlassung auf ein einzelnes Maß.
Kann Zentralitätsanalyse auf gerichtete Netzwerke angewendet werden?
Ja. In einem gerichteten Netzwerk werden Eingangsgrad und Ausgangsgrad separat berechnet und interpretiert: Eingangsgrad spiegelt wider, wie oft ein Knoten von anderen gewählt oder zitiert wird, während Ausgangsgrad widerspiegelt, wie viele andere er erreicht oder referenziert. Zwischen-Sein und Nähe haben ebenfalls gerichtete Varianten. Eigenvektorzentralität auf gerichteten Graphen verwendet typischerweise den dominanten linken oder rechten Eigenvektor, je nachdem, ob das Prestige zu oder von einem Knoten fließt.
Was ist die minimale Netzwerkgröße für aussagekräftige Ergebnisse?
Das Statwise-Register gibt ein Minimum von 10 Knoten für jede Zentralitätsberechnung an, und eine aussagekräftige statistische Interpretation erfordert mindestens 20. Unter 20 Knoten verallgemeinert sich die Rangfolge einer Handvoll von Knoten nicht, und deskriptive Netzwerkstatistiken sind die ehrlichere Wahl.
Wie gehe ich mit einem getrennten Graphen um?
Pfad-basierte Maße – Zwischen-Sein und Nähe – sind zwischen Knoten in verschiedenen Komponenten undefiniert. Der Standardansatz ist, jede verbundene Komponente separat zu analysieren oder die Nähe auf erreichbare Knoten zu beschränken und entsprechend zu normalisieren. Grad- und Eigenvektorzentralität erfordern keine Konnektivität und können auf dem gesamten Graphen berechnet werden.
Verwandte Methoden
Quellen
Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.
DOI-Referenz öffnenKopiert.Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.
DOI-Referenz öffnenKopiert.