Gradzentralität
- Eingeführt von
- Freeman, L. C.
- Jahr
- 1978
- Typ
- Node-level centrality measure
- Familie
- Network science
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die Gradzentralität ist das einfachste und intuitivste Maß für die Bedeutung eines Knotens in einem Netzwerk, definiert als die Anzahl der direkten Verbindungen, die ein Knoten zu anderen Knoten hat.
Normalisiert durch Division durch die maximal mögliche Anzahl von Verbindungen, ermöglicht sie den Vergleich über Netzwerke unterschiedlicher Größe und ist der Ausgangspunkt fast jeder Netzwerkanalyse.
Die Intuition hinter der Methode
Stellen Sie sich einen Konferenzraum vor, in dem jeder, der viele Leute kennt, am sozial aktivsten ist. Die Gradzentralität erfasst genau das: die rohe Verbindungsanzahl eines Knotens. Ein Knoten mit hohem Grad befindet sich im Zentrum der unmittelbaren Aktivität – er kann viele Nachbarn in einem Schritt erreichen. Da sie einfach zu berechnen und leicht zu erklären ist, ist die Gradzentralität oft die erste Metrik, die in einer Netzwerkstudie berechnet wird, und dient als Basislinie, mit der anspruchsvollere Maße verglichen werden.
Geschichte
Die Gradzentralität wurde von Linton C. Freeman in seinem wegweisenden Artikel von 1978 in Social Networks formal definiert und systematisiert, der auch die Zwischen- und Nähezentralität unter einem einheitlichen konzeptionellen Rahmen einführte. Das Maß selbst geht auf frühere soziometrische Arbeiten in den 1940er-1950er Jahren zurück. Freemans Artikel bleibt die kanonische Referenz und etablierte die soziale Netzwerkanalyse als eine rigorose quantitative Disziplin.
Wann wird sie eingesetzt?
Verwenden Sie die Gradzentralität, wenn Sie eine schnelle, interpretierbare Zusammenfassung darüber benötigen, welche Knoten die meisten direkten Verbindungen haben – zur Identifizierung von Hubs, Schlüsselakteuren oder hochaktiven Knoten in beliebigen binären oder gewichteten Netzwerken. Sie eignet sich für kleine und große Netzwerke gleichermaßen und erfordert nur eine Kantenliste. Verlassen Sie sich nicht allein auf die Gradzentralität, wenn die Forschungsfrage indirekten Einfluss, Effizienz des Informationsflusses oder Gatekeeping-Rollen betrifft; für diese Zwecke sind Eigenvektorzentralität, Nähezentralität oder Zwischenzentralität besser geeignet. Sie ist auch in vollständigen oder nahezu vollständigen Graphen, in denen fast alle Knoten den gleichen Grad haben, wenig aussagekräftig.
Grenzen und Hinweise
- Zählt nur direkte Nachbarn; ignoriert die Position in der globalen Netzwerkstruktur.
- Ein Knoten mit hohem Grad kann völlig peripher sein, wenn alle seine Nachbarn voneinander isoliert sind.
- Uninformativ in dichten oder vollständigen Graphen, in denen die Gradvarianz nahe Null liegt.
- Unterscheidet nicht, ob Verbindungen zu einflussreichen oder peripheren Knoten bestehen (verwenden Sie dafür die Eigenvektorzentralität).
- Empfindlich gegenüber Entscheidungen über die Netzwerk-Grenzen – wer im Netzwerk enthalten ist, beeinflusst die Werte.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Rechentechnisch trivial – O(n) pro Knoten – und skaliert auf sehr große Netzwerke.
- Sofort interpretierbar: Die rohe Verbindungsanzahl erfordert keine Expertise in Netzwerkanalyse zur Erklärung.
- Anwendbar auf gerichtete, ungerichtete, binäre und gewichtete (als gewichteter Grad) Graphen.
- Dient als unverzichtbare Basislinie für den Vergleich komplexerer Zentralitätsmaße.
- Die Gradverteilung liefert einen Fingerabdruck der gesamten Netzwerk-Topologie (skalenfrei, zufällig usw.).
- Leicht visualisierbar: Knotengröße proportional zum Grad vermittelt Struktur auf einen Blick.
Anwendungen
- Identifizierung von Hubs und einflussreichen Akteuren in sozialen und organisationalen Netzwerken.
- Epidemiologische Kontaktverfolgung zur Priorisierung hochgradig verbundener Personen für Interventionen.
- Analyse von Web- und Zitationsnetzwerken zur Rangordnung hoch verlinkter Seiten oder Artikel.
- Analyse der Widerstandsfähigkeit von Infrastrukturen zur Ermittlung kritischer Knoten, deren Entfernung das Netzwerk fragmentiert.
- Marketing- und Diffusionsforschung zur Lokalisierung von Startknoten für virale Verbreitungskampagnen.
- Studien zu Ko-Autoren- und Kollaborationsnetzwerken in der Bibliometrie.
So funktioniert es
So funktioniert es
Das Netzwerk wird als Graph G = (V, E) dargestellt, wobei V die Menge der Knoten und E die Menge der Kanten ist. Eine Adjazenzmatrix A kodiert, welche Knotenpaare verbunden sind. In einem ungerichteten Netzwerk wird jede Kante einmal gezählt; in einem gerichteten Netzwerk werden Eingangsgrad (in-degree) und Ausgangsgrad (out-degree) getrennt erfasst, die eingehende bzw. ausgehende Verbindungen widerspiegeln.
Für jeden Knoten v wird die Gradzentralität berechnet, indem alle Einträge in seiner Zeile (oder Spalte) der Adjazenzmatrix summiert werden – das heißt, es wird gezählt, mit wie vielen anderen Knoten er direkt verbunden ist. Der Rohgrad ist C_D(v) = deg(v). In einem gerichteten Graphen zählt der Eingangsgrad die eingehenden Verbindungen, während der Ausgangsgrad die ausgehenden Verbindungen zählt.
Formel
C_D(v) = \deg(v) = \sum_{u \in V} a_{vu}Um über Netzwerke unterschiedlicher Größe zu vergleichen, wird der Rohgrad durch (n − 1) geteilt, die maximal mögliche Anzahl von Verbindungen in einem Netzwerk mit n Knoten. Der normalisierte Wert C_D'(v) liegt zwischen 0 und 1, wobei 1 einen Knoten angibt, der mit jedem anderen Knoten im Netzwerk verbunden ist.
Formel
C_D'(v) = \frac{\deg(v)}{n - 1}Die Knoten werden nach ihrem normalisierten Gradzentralitätswert geordnet. Die Verteilung der Werte kann als Histogramm visualisiert oder auf dem Netzwerkdiagramm als Knotengröße oder Farbe dargestellt werden. Knoten mit hohem Grad sind Kandidaten für Hubs oder Influencer; die Form der Gradverteilung (z. B. heavy-tailed vs. uniform) offenbart breitere strukturelle Eigenschaften des Netzwerks.
Häufige Fallstricke
- Berichterstattung über den Rohgrad ohne Normalisierung, wodurch die Ergebnisse über Netzwerke unterschiedlicher Größe hinweg unvergleichbar werden.
- Behandlung der Gradzentralität als ausreichenden Beweis für Einfluss, ohne Zwischen- oder Eigenvektorzentralität zu prüfen.
- Ignorieren der Gerichtetheit in gerichteten Netzwerken: Eingangsgrad und Ausgangsgrad haben unterschiedliche inhaltliche Bedeutungen.
- Verwechslung von Gradzentralität mit gewichteter Gradzentralität, ohne den Unterschied bei binären vs. gewichteten Netzwerken anzuerkennen.
- Übersehen von Isolatoren (Knoten mit Grad 0), die inhaltlich wichtige fehlende Akteure sein können.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Gradzentralität und Eigenvektorzentralität?
Die Gradzentralität zählt die Anzahl der direkten Verbindungen, unabhängig davon, wer diese Nachbarn sind. Die Eigenvektorzentralität gewichtet jede Verbindung mit der Bedeutung des Nachbarn, sodass ein Knoten, der mit wenigen hochgradig zentralen Knoten verbunden ist, einen höheren Wert erzielen kann als ein Knoten mit vielen peripheren Nachbarn.
Sollte ich in einem gerichteten Netzwerk Eingangsgrad oder Ausgangsgrad verwenden?
Die Wahl hängt von der Forschungsfrage ab. Der Eingangsgrad misst, wie viele Akteure auf einen Knoten zeigen (z. B. Popularität, Prestige, Zitationsanzahl). Der Ausgangsgrad misst, wie viele Akteure ein Knoten zeigt (z. B. Aktivitätsniveau, Informationssendung). Die Berichterstattung beider ist oft aufschlussreich.
Funktioniert die Gradzentralität bei gewichteten Netzwerken?
Die Standardformulierung verwendet binäre Kanten. Für gewichtete Netzwerke ist das analoge Maß die gewichtete Gradzentralität (auch Knotenstärke genannt), die Kanten-Gewichte summiert, anstatt Kanten zu zählen. Die meisten Implementierungen in igraph, NetworkX und Gephi unterstützen diese Option.
Wie groß muss mein Netzwerk sein?
Die Gradzentralität hat keine Mindestgrößenanforderung. Sie ist auch in Netzwerken mit 10 Knoten aussagekräftig. In sehr kleinen Netzwerken verliert der normalisierte Wert jedoch an Auflösung – fast alle Knoten können gleich zentral erscheinen. Für Netzwerke mit weniger als etwa 20 Knoten ist die Untersuchung der Rohgradverteilung in der Regel aussagekräftiger als der normalisierte Wert.
Wann reicht die Gradzentralität nicht aus?
Wenn Ihre Forschungsfrage Broker-Rollen, Gatekeeping oder Informationsfluss im Netzwerk betrifft und nicht lokale Popularität. Ein Knoten mit moderatem Grad kann den Zugang zwischen Clustern kontrollieren (hohe Zwischenzentralität) oder jeden anderen Knoten schnell erreichen (hohe Nähezentralität), ohne viele direkte Verbindungen zu haben.
Verwandte Methoden
Quellen
Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
DOI-Referenz öffnenKopiert.Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1Kopiert.