Zweimodale Netzwerkanalyse
- Eingeführt von
- Breiger, R. L.
- Jahr
- 1974
- Typ
- Bipartite graph analysis
- Familie
- Network science
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die zweimodale Netzwerkanalyse untersucht Netzwerke, die aus zwei unterschiedlichen Knotentypen bestehen – wie Akteure und Ereignisse, Autoren und Publikationen oder Unternehmen und Vorstandsmitglieder –, die nur über Typgrenzen hinweg verbunden sind.
Durch die direkte Analyse dieser bipartiten Struktur oder deren Projektion auf unimodale Netzwerke decken Forscher Zugehörigkeitsmuster, gemeinsame Mitgliedschaften und strukturelle Dualitäten auf, die in der standardmäßigen unimodalen sozialen Netzwerkanalyse unsichtbar bleiben.
Die Intuition hinter der Methode
Die meisten sozialen Netzwerke umfassen zwei Arten von Entitäten: Personen und die Gruppen, Ereignisse oder Artefakte, zu denen sie gehören. Die Behandlung dieser als eine einzige Knotensammlung erzwingt falsche Verbindungen zwischen beispielsweise zwei Autoren, die nie gemeinsam publiziert haben, aber beide in derselben Zeitschrift veröffentlichten. Die zweimodale Analyse hält beide Mengen getrennt und respektiert ihre tatsächliche Dualität. Der Soziologe Ronald Breiger formalisierte diese Erkenntnis 1974: Mitgliedschaftsbeziehungen definieren gleichzeitig die gemeinsame Zugehörigkeit von Person zu Person und die gemeinsame Mitgliedschaft von Gruppe zu Gruppe, zwei komplementäre Perspektiven auf dieselben Daten.
Geschichte
Ronald Breigers Arbeit von 1974 'The Duality of Persons and Groups' legte die theoretische Grundlage für die zweimodale Netzwerkanalyse, indem sie zeigte, dass die gemeinsame Mitgliedschaft von Akteuren und die gemeinsame Mitgliedschaft von Gruppen zwei komplementäre Ansichten einer einzigen Zugehörigkeitsstruktur sind. Borgatti und Everett formalisierten das analytische Werkzeug in ihrer Arbeit von 1997 in Social Networks und erweiterten Zentralitäts- und Kohäsionsmaße auf bipartite Graphen. Der Ansatz fand breite empirische Anwendung in Studien über Verflechtungen von Unternehmensvorständen, wissenschaftliche Zusammenarbeit und Teilnahme an Online-Communities und wird heute routinemäßig in Softwarepaketen wie UCINET, igraph und NetworkX implementiert.
Wann wird sie eingesetzt?
Verwenden Sie die zweimodale Netzwerkanalyse, wenn Ihre Daten natürlich Zugehörigkeiten zwischen zwei verschiedenen Entitätstypen erfassen: Autoren und Publikationen, Patienten und Diagnosen, Direktoren und Aufsichtsräte oder Wörter und Dokumente. Es ist der geeignete Rahmen, wenn Sie verstehen möchten, wie die Mitgliedschaft in gemeinsamen Gruppen die Ähnlichkeit von Akteuren prägt oder wie Akteure die Gruppenüberlappung prägen. Zwingen Sie zweimodale Daten nicht in einen unimodalen Rahmen, ohne Projektionsartefakte anzuerkennen. Vermeiden Sie sie, wenn die beiden Knotensätze nicht konzeptionell getrennt sind, wenn die Inzidenzmatrix extrem spärlich ist (die meisten Akteure sind nur einem Ereignis zugeordnet) oder wenn die Forschungsfrage Beziehungen zwischen Akteuren betrifft, die nicht durch gemeinsame Mitgliedschaft vermittelt werden.
Grenzen und Hinweise
- Unimodale Projektionen führen zu einer Kanteninflation: Große, beliebte Ereignisse schaffen Cliquen unter all ihren Mitgliedern, was Dichte und Zentralität verzerrt.
- Viele Standard-SNA-Software-Routinen gehen von unimodalen Eingaben aus und erfordern Anpassungen oder Workarounds für bipartite Daten.
- Die Interpretation gleichzeitiger Akteur- und Ereignisgemeinschaften erfordert Domänenwissen zur Benennung und Validierung erkannter Gruppen.
- Spärliche Inzidenzmatrizen (Akteure mit sehr wenigen Ereignissen zugeordnet) erzeugen fragmentierte Projektionen mit begrenztem analytischem Hebel.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Bewahrt die tatsächliche Dualität von Akteuren und Gruppen, ohne die Struktur in eine verlustbehaftete unimodale Projektion zu überführen.
- Enthüllt strukturelle Positionen – wie Vermittler zwischen ansonsten getrennten Gruppen –, die in der unimodalen Analyse unsichtbar sind.
- Direkt anwendbar auf allgegenwärtige Zugehörigkeitsdaten: Autorschaft, Vorstandsverflechtungen, gemeinsame Teilnahme an Veranstaltungen, gemeinsame Schlagwortvorkommen.
- Bipartiten-native Metriken (z. B. bipartiter Clusterkoeffizient) vermeiden die aufgeblähten Dichteartefakte von Projektionen.
- Theoretisch fundiert im Dualitätsprinzip von Breiger, das klare interpretative Leitlinien liefert.
- Kompatibel mit gewichteten und gerichteten Erweiterungen für reichhaltigere Zugehörigkeitsdaten.
Anwendungen
- Wissenschaftliche Koautorschaftsnetzwerke, die aus Autor-nach-Papier-Inzidenzmatrizen abgeleitet sind.
- Forschung zur Unternehmensführung: Direktor-nach-Vorstand-Verflechtungsnetzwerke.
- Studien zur politischen Zugehörigkeit: Abgeordneten-nach-Ausschuss- oder Politiker-nach-Spender-Netzwerke.
- Online-Communities: Nutzer-nach-Forum- oder Nutzer-nach-Hashtag-Teilnahme-Netzwerke.
- Bibliometrische Analyse: Schlüsselwort-nach-Dokument- oder Zeitschrift-nach-Artikel-Zugehörigkeitsmatrizen.
- Öffentliche Gesundheit: Patienten-nach-Diagnose- oder Kontakt-nach-Standort-Expositionsnetzwerke.
So funktioniert es
So funktioniert es
Die Rohdaten werden als binäre oder gewichtete Inzidenzmatrix B der Größe (Akteure × Ereignisse/Gruppen) kodiert, wobei ein Eintrag eins (oder sein Gewicht) gleich ist, wenn ein Akteur zum entsprechenden Ereignis oder zur entsprechenden Gruppe gehört. Es werden keine Kanten zwischen zwei Akteuren oder zwei Ereignissen gezogen; alle Verbindungen überschreiten die Typgrenze und erzeugen einen bipartiten Graphen.
Um Standard-SNA-Maße anzuwenden, wird der bipartiten Graph auf eine oder beide Knotensätze projiziert. Die Multiplikation von B mit seiner Transponierten ergibt eine Akteur-zu-Akteur-Koaffiliationsmatrix, deren Eintrag A_{ij} zählt, wie viele Gruppen die Akteure i und j gemeinsam haben. Eine analoge Projektion ergibt eine Gruppen-zu-Gruppen-Überlappungsmatrix. Diese unimodalen Projektionen ermöglichen vertraute Zentralitäts- und Clusterberechnungen.
Formel
A_{ij} = \sum_{k} B_{ik} B_{jk}Grad-, Zwischen- und Nähezentralität werden entweder direkt auf dem bipartiten Graphen (unter Verwendung von Algorithmen, die für die bipartiten Topologie angepasst sind) oder auf den projizierten unimodalen Graphen berechnet. Bipartiten-native Zentralitätsmaße vermeiden die durch die Projektion verursachten Verzerrungen, wie künstlich aufgeblähte Dichten bei großen Ereignissen.
Community-Detection-Algorithmen, die für bipartite Graphen angepasst sind – wie die Maximierung der bipartiten Modularität –, identifizieren gleichzeitig kohäsive Teilmengen von Akteuren und Ereignissen. Alternativ können klassische Algorithmen wie Louvain auf das projizierte unimodale Netzwerk angewendet werden, wenn auch mit einem gewissen Verlust an Strukturinformationen.
Das beobachtete bipartiten Netzwerk wird mit Nullmodellen verglichen – typischerweise einem Konfigurationsmodell, das die Gradsequenz beider Knotensätze beibehält –, um festzustellen, ob erkannte Gemeinschaften, Zentralitätsrankings oder Clusterbildungsmuster zufällig übersteigen. Die statistische Signifikanz kann mittels Permutationstests oder analytischer Näherungen bewertet werden.
Häufige Fallstricke
- Projektion auf einen Modus und anschließende Anwendung von Standard-SNA ohne Offenlegung oder Korrektur von Projektionsartefakten.
- Behandlung der Koaffiliationsanzahl als direktes Maß für die Bindungsstärke ohne Normalisierung nach Ereignisgröße (Jaccard- oder Kosinusnormalisierung wird bevorzugt).
- Verwendung ungewichteter Projektionen, wenn Daten zur Häufigkeit oder Intensität der Zugehörigkeit verfügbar sind, wodurch aussagekräftige Variationen verworfen werden.
- Anwendung von Modularitätsalgorithmen, die für unimodale Netzwerke konzipiert sind, auf einen bipartiten Graphen ohne Verwendung bipartiten-geeigneter Versionen.
- Ignorieren des Nullmodells: Berichterstattung über beobachtete Clusterbildung oder Zentralität ohne Vergleich mit einer zufälligen Basislinie, die die Gradsequenz beibehält.
Häufig gestellte Fragen
Sollte ich den bipartiten Graphen direkt analysieren oder ihn zuerst projizieren?
Die direkte bipartite Analyse bewahrt mehr Strukturinformationen und vermeidet Projektionsartefakte. Die Projektion auf einen Modus ist praktisch für die Anwendung vertrauter SNA-Werkzeuge, bläht jedoch die Dichte auf und kann falsche Cliquen unter Mitgliedern großer Ereignisse erzeugen. Wenn möglich, verwenden Sie bipartiten-native Algorithmen und berichten Sie Projektionsergebnisse nur als ergänzende Überprüfung.
Wie gehe ich mit der Heterogenität der Ereignisgröße bei Projektionen um?
Große Ereignisse erzeugen Kanten zwischen all ihren Mitgliedern, was die Koaffiliationsanzahl künstlich erhöht. Normalisieren Sie die projizierte Matrix mit dem Jaccard-Index (gemeinsame Zugehörigkeiten geteilt durch die Vereinigung) oder der Kosinusähnlichkeit, bevor Sie die Zentralität berechnen, um Unterschiede in der Ereignispopularität zu korrigieren.
Welche Software unterstützt die zweimodale Netzwerkanalyse?
igraph (R und Python), NetworkX (Python), UCINET und Gephi unterstützen alle bipartite Graphen. Die Funktion bipartite.projection() von igraph und das bipartite-Modul von NetworkX verarbeiten Projektionen und bipartiten-spezifische Metriken nativ.
Kann ich Community Detection auf ein zweimodales Netzwerk anwenden?
Ja, aber verwenden Sie Algorithmen, die für bipartite Graphen entwickelt wurden, wie die bipartiten Modularität von Barber, anstelle von Standard-Louvain oder Girvan-Newman, die eine unimodale Struktur voraussetzen. Die bipartiten Community Detection weist sowohl Akteurs- als auch Ereignismengen gleichzeitig gemeinsame Community-Mitgliedschaften zu.
Ist die zweimodale Analyse für sehr kleine Datensätze geeignet?
Bei weniger als etwa 20 Akteuren oder Ereignissen werden Zentralitätsrankings und Community-Partitionen sehr empfindlich gegenüber einzelnen Datenpunkten. Permutationsbasierte Signifikanztests sind bei kleinen Größen besonders wichtig, und die Ergebnisse sollten mit Vorsicht interpretiert werden.
Verwandte Methoden
Quellen
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
DOI-Referenz öffnenKopiert.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
DOI-Referenz öffnenKopiert.