Análisis de Centralidad — Grado, Intermediación, Eigenvector
- Propuesto por
- Linton C. Freeman
- Año
- 1979
- Tipo
- Descriptive / exploratory network measure family
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El análisis de centralidad es una familia de medidas de análisis de redes, formalizada por Freeman (1979), que cuantifica la importancia estructural de nodos individuales dentro de un grafo.
Cada índice de centralidad captura un mecanismo distinto de influencia: la centralidad de grado refleja la conectividad directa, la centralidad de intermediación identifica nodos que actúan como intermediarios en el flujo de información, la centralidad de cercanía captura la proximidad a todos los demás, y la centralidad de eigenvector (junto con PageRank) recompensa la conexión con vecinos muy conectados.
La intuición detrás del método
No todos los nodos de una red son igualmente importantes. Una ciudad por la que pasan muchas carreteras es más crítica para el tráfico que una que se encuentra al final de una calle sin salida, incluso si ambas ciudades tienen el mismo número de enlaces de carretera directos. Las medidas de centralidad traducen esta intuición en números. La centralidad de grado simplemente cuenta cuántos vecinos tiene un nodo. La centralidad de intermediación cuenta con qué frecuencia un nodo se encuentra en el camino más corto entre cada otro par, revelando a los guardianes de acceso. La centralidad de cercanía mide la rapidez con la que un nodo puede llegar a todos los demás. La centralidad de eigenvector pondera la contribución de cada vecino según lo central que sea ese vecino, por lo que estar conectado a nodos influyentes importa más que el simple número. Cada medida responde a una pregunta diferente sobre quién o qué es lo más importante en la red.
Historia
Freeman (1979) proporcionó la clarificación conceptual fundamental del campo, unificando tres ideas previamente dispersas —grado, intermediación y cercanía— bajo un único marco teórico para la centralidad en redes sociales. Borgatti (2005) amplió el marco al vincular cada tipo de centralidad con modelos específicos de flujo de red, dando a las medidas una base teórica más clara. La centralidad de eigenvector tuvo raíces anteriores en el análisis espectral de matrices y posteriormente se operacionalizó para redes; PageRank de Google (1998) es su descendiente aplicado más conocido.
Cuándo usarlo
El análisis de centralidad se aplica siempre que los datos relacionales puedan representarse como un grafo y la pregunta se refiera a qué nodos son estructuralmente más importantes. Se utiliza en análisis de redes sociales, bibliometría, biología, transporte e investigación de sistemas de información. No se requiere suposición de normalidad, y el método es adecuado para datos de redes transversales y longitudinales. La red debe estar conectada, o los componentes deben analizarse por separado, para que las medidas basadas en caminos como la intermediación y la cercanía estén bien definidas. Se necesitan al menos 10 nodos para que las puntuaciones sean interpretables, y al menos 20 para que las clasificaciones de centralidad sean estadísticamente significativas. Las redes ponderadas requieren una definición de peso teóricamente fundamentada antes de calcular la centralidad.
Limitaciones y consideraciones
- La centralidad de intermediación tiene una complejidad computacional O(VE), lo que la hace costosa en redes muy grandes.
- Las medidas basadas en caminos (intermediación, cercanía) no están definidas o requieren un tratamiento especial en grafos desconectados.
- Las puntuaciones de centralidad son sensibles a la elección de la definición del peso de la arista en redes ponderadas; un peso mal elegido distorsiona cada índice.
- Con menos de 20 nodos, las medidas carecen de poder estadístico y deben tratarse como descripciones exploratorias en lugar de resultados inferenciales.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Cada índice captura un mecanismo distinto de importancia estructural, proporcionando un retrato multidimensional de la red.
- No se requieren supuestos de distribución; el método funciona en cualquier grafo independientemente del tipo de variable.
- La centralidad de grado y la de eigenvector escalan eficientemente a grafos muy grandes; la centralidad de grado se calcula en O(V+E).
- Ampliamente respaldado en diversas disciplinas —desde la sociología y la biología hasta la informática—, lo que hace que los resultados sean ampliamente comunicables.
Aplicaciones
- Identificar líderes de opinión clave e intermediarios de información en redes sociales y organizacionales.
- Mapear la influencia científica calculando la centralidad en redes de coautoría o citación.
- Localizar nodos críticos de infraestructura en redes de transporte, redes eléctricas y topologías de internet.
- Priorizar objetivos de vacunación o monitoreo en redes epidemiológicas al identificar a los propagadores de alta intermediación.
- Detectar guardianes de acceso en redes de cadenas de suministro y financieras para evaluar el riesgo sistémico.
Cómo funciona
Cómo funciona
Se ensambla un grafo a partir de los datos relacionales: los nodos representan entidades (personas, instituciones, páginas web) y los aristas representan las relaciones o interacciones entre ellas. El analista decide si las aristas son dirigidas o no dirigidas y si tienen pesos. En redes dirigidas, el grado de entrada (in-degree) y el grado de salida (out-degree) se calculan por separado y se interpretan de manera diferente. La validez de las puntuaciones de centralidad depende enteramente de si la estructura del grafo es una representación fiel de las relaciones del mundo real en estudio.
El analista elige qué índice de centralidad —o combinación de índices— se ajusta a la pregunta sustantiva. La centralidad de grado es apropiada cuando la conectividad bruta es de interés. La centralidad de intermediación se elige cuando el enfoque está en la intermediación y el control de la información, a costa de un mayor esfuerzo computacional (O(VE)) en grafos grandes. La centralidad de cercanía es significativa cuando la red está conectada o cuando los componentes se analizan por separado. La centralidad de eigenvector o PageRank se selecciona cuando el prestigio y la influencia recursiva importan. Para redes ponderadas, la definición del peso debe ser teóricamente significativa antes de calcular cualquier índice.
Se calcula cada índice seleccionado sobre el grafo. La centralidad de grado se normaliza dividiendo el grado bruto por (n-1). La centralidad de intermediación cuenta los caminos más cortos a través de cada nodo y se normaliza por el número total de pares de nodos. La centralidad de cercanía es la recíproca de la distancia promedio del camino más corto desde un nodo a todos los nodos alcanzables. La centralidad de eigenvector se resuelve como el autovector principal de la matriz de adyacencia y requiere iteración hasta la convergencia. Los nodos se clasifican por cada puntuación, y se inspecciona la distribución de las puntuaciones para detectar concentraciones.
Las puntuaciones y clasificaciones de centralidad resultantes se interpretan en el contexto sustantivo del estudio. Los nodos de alto grado son centros bien conectados; los nodos de alta intermediación son puentes estructurales o intermediarios; los nodos con alta cercanía pueden difundir información rápidamente; los nodos de alto eigenvector están incrustados en vecindarios influyentes. Se comparan múltiples índices para revelar nodos que se clasifican alto en una dimensión pero no en otra, lo cual es a menudo el hallazgo más interesante teóricamente. Las redes con menos de 20 nodos producen puntuaciones de centralidad que son estadísticamente débiles y deben tratarse como puramente descriptivas.
Errores comunes
- Aplicar la intermediación o la cercanía a un grafo desconectado sin descomponerlo primero en componentes produce puntuaciones indefinidas o engañosas para los nodos aislados.
- Tratar los cinco índices de centralidad como intercambiables —cada uno responde a una pregunta diferente, y seleccionar el índice incorrecto para la hipótesis sustantiva es un error común.
- Ignorar la dirección de las aristas en redes dirigidas colapsa el grado de entrada y el grado de salida en un solo número, perdiendo información sobre la asimetría de las relaciones.
- Interpretar las puntuaciones de centralidad en redes con menos de 20 nodos como si fueran estadísticamente robustas —por debajo de este umbral las puntuaciones son solo descriptivas y no deben usarse para sacar conclusiones inferenciales.
Preguntas frecuentes
¿Qué medida de centralidad debo usar?
La elección depende de su pregunta sustantiva. Use la centralidad de grado para identificar nodos con las conexiones más directas. Use la centralidad de intermediación para encontrar intermediarios que controlan el flujo de información entre partes de la red. Use la centralidad de cercanía para identificar nodos que pueden llegar a todos los demás rápidamente. Use la centralidad de eigenvector o PageRank cuando el prestigio de los vecinos de un nodo importe tanto como su número. Informar sobre dos o tres índices complementarios y comparar las clasificaciones suele ser más informativo que depender de una sola medida.
¿Se puede aplicar el análisis de centralidad a redes dirigidas?
Sí. En una red dirigida, el grado de entrada (in-degree) y el grado de salida (out-degree) se calculan y se interpretan por separado: el grado de entrada refleja con qué frecuencia un nodo es elegido o citado por otros, mientras que el grado de salida refleja a cuántos otros alcanza o referencia. La intermediación y la cercanía también tienen variantes dirigidas. La centralidad de eigenvector en grafos dirigidos típicamente utiliza el autovector izquierdo o derecho dominante dependiendo de si el prestigio fluye hacia o desde un nodo.
¿Cuál es el tamaño mínimo de red necesario para obtener resultados significativos?
El registro statwise especifica un mínimo de 10 nodos para cualquier cálculo de centralidad, y la interpretación estadística significativa requiere al menos 20. Por debajo de 20 nodos, la clasificación de un puñado de nodos no se generaliza, y las estadísticas descriptivas de la red son la opción más honesta.
¿Cómo manejo un grafo desconectado?
Las medidas basadas en caminos —intermediación y cercanía— no están definidas entre nodos en componentes diferentes. El enfoque estándar es analizar cada componente conectado por separado, o restringir la cercanía a los nodos alcanzables y normalizar en consecuencia. La centralidad de grado y la de eigenvector no requieren conectividad y pueden calcularse en el grafo completo.
Métodos relacionados
Fuentes
Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.
Abrir referencia DOICopiado.Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.
Abrir referencia DOICopiado.