Análisis de Redes Sociales
- Propuesto por
- Moreno, J.L.; formalized by Wasserman & Faust
- Año
- 1934 (sociometry); 1994 (modern formalization)
- Tipo
- Structural/relational analysis framework
- Familia
- Network science
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El Análisis de Redes Sociales (ARS, o SNA por sus siglas en inglés) es un método estructural que mapea y mide relaciones y flujos entre personas, grupos, organizaciones u otras entidades modeladas como nodos conectados por lazos (aristas).
En lugar de centrarse en atributos individuales, el ARS revela cómo el patrón de conexiones moldea el comportamiento, la influencia, el flujo de información y los resultados dentro de un sistema.
La intuición detrás del método
La investigación tradicional trata las unidades (personas, organizaciones) como casos independientes. El ARS trata las conexiones entre ellas como la unidad de análisis principal. A quién estás vinculado —y cuán centralmente te sientas en la red de relaciones— moldea qué información recibes, cuánta influencia tienes y si se forman grupos a tu alrededor. Al dibujar un mapa de una red, los investigadores pueden ver estructuras invisibles: intermediarios que conectan grupos desconectados, nodos influyentes, periferias aisladas y comunidades muy unidas que actúan como cámaras de eco.
Historia
El análisis de redes sociales se remonta a la sociometría de Jacob Moreno en la década de 1930 y a la sociología relacional de Georg Simmel. Los fundamentos de la teoría de grafos fueron desarrollados en las décadas de 1950-1970 por Bavelas, Harary y colegas. El campo fue consolidado por el influyente libro de texto de Wasserman y Faust de 1994 y la fundación de la revista Social Networks. El auge de las plataformas en línea y los datos de rastreo digital después del año 2000 provocó un crecimiento explosivo, convirtiendo al ARS en un método central en las ciencias sociales computacionales.
Cuándo usarlo
Utilice el ARS cuando la pregunta de investigación sea fundamentalmente relacional —sobre cómo las conexiones, los flujos o las posiciones estructurales dan forma a los resultados— y cuando los datos relacionales (lazos entre actores) puedan recopilarse o reconstruirse. Es muy adecuado para estudiar la difusión de información, los patrones de colaboración, las jerarquías de influencia, las estructuras organizacionales, las redes de citas y la cohesión social. No utilice el ARS cuando solo tenga datos de atributos (sin datos de lazos), cuando el límite de la red no pueda definirse razonablemente, cuando la muestra sea demasiado escasa para producir métricas significativas, o cuando la pregunta de investigación sea sobre atributos a nivel individual en lugar de estructura relacional.
Limitaciones y consideraciones
- La especificación del límite de la red es importante y a menudo teóricamente ambigua.
- La recopilación de datos relacionales es laboriosa; los generadores de nombres basados en encuestas sufren sesgos de recuerdo y falta de respuesta.
- Muchas métricas de ARS asumen datos completos de la red; los lazos faltantes distorsionan las estimaciones de centralidad.
- Las métricas estándar de ARS tratan los nodos como independientes, violando el supuesto de independencia requerido por las pruebas estadísticas clásicas.
- Las redes grandes requieren recursos computacionales y software especializado (por ejemplo, igraph, NetworkX, Gephi).
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Captura fenómenos estructurales —intermediación, cohesión, centralidad— invisibles para los métodos basados en atributos.
- Aplicable a dominios diversos: redes sociales, organizacionales, bibliométricas, biológicas y digitales.
- Un rico conjunto de métricas y modelos permite tanto el análisis descriptivo como el inferencial.
- Se integra naturalmente con herramientas de visualización que comunican estructuras complejas de manera intuitiva.
- Aplicable tanto a redes pequeñas (basadas en encuestas) como muy grandes (computacionales).
- Compatible con extensiones longitudinales y multicapa para redes dinámicas o multiexpresión.
Aplicaciones
- Mapeo de redes de comunicación organizacional y de intercambio de conocimiento.
- Identificación de difusores influyentes y cuellos de botella en estudios de difusión de información.
- Análisis de redes bibliométricas y de coautoría en cienciometría.
- Detección de comunidades en plataformas sociales en línea y datos de rastreo digital.
- Trazabilidad de contactos epidemiológicos y modelado de propagación de enfermedades.
- Mapeo de cadenas de suministro y dependencias interorganizacionales.
Cómo funciona
Cómo funciona
El investigador especifica el límite de la red (qué actores se incluyen) y el tipo de lazo a estudiar: amistad, colaboración, cita, búsqueda de consejo, intercambio de información. Esta decisión conceptual es sustantiva: diferentes definiciones de lazo producen redes estructuralmente distintas incluso con los mismos actores.
Los datos relacionales se recopilan a través de encuestas (basadas en listas o recuerdo libre de nombres), registros de archivo (coautoría, registros de correo electrónico, datos de transacciones) u observación directa. El resultado es una lista de pares ordenados o no ordenados, a menudo con pesos de lazo o marcas de tiempo.
Los lazos y los actores se codifican como un grafo G = (V, E) donde V es el conjunto de nodos y E es el conjunto de aristas. El grafo puede ser no dirigido o dirigido, binario o ponderado. La matriz de adyacencia o la lista de aristas es la entrada para todos los cálculos posteriores.
Fórmula
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}Se calculan métricas a nivel de nodo —grado, intermediación (betweenness), cercanía (closeness), centralidad de vector propio (eigenvector centrality), coeficiente de agrupamiento (clustering coefficient)— para caracterizar la posición estructural de cada actor. Las métricas a nivel de grafo —densidad, diámetro, longitud media del camino, transitividad— describen propiedades globales de la red.
Los algoritmos de detección de comunidades (por ejemplo, Louvain, Girvan-Newman) o el modelado por bloques (blockmodeling) identifican subgrupos. Los ERGM o la regresión QAP ponen a prueba hipótesis sobre la formación de lazos. Las descomposiciones núcleo-periferia y bipartitas revelan la estructura a nivel macro.
Los hallazgos estructurales se interpretan a la luz de la pregunta sustantiva. Una alta centralidad de intermediación puede indicar intermediación o control de acceso; los grupos densos pueden indicar cohesión o redundancia. La visualización (diseños de fuerza dirigida, diagramas de acordes) ayuda a la comunicación de resultados.
Errores comunes
- Tratar los valores métricos (por ejemplo, la centralidad de intermediación) como significativos sin validar que el límite y la definición del lazo coincidan con la pregunta de investigación.
- Aplicar regresión ordinaria a datos de red sin tener en cuenta la dependencia diádica (utilizar QAP, ERGM o modelos multinivel en su lugar).
- Interpretar la estética de la visualización —la ubicación de los nodos en los diseños de fuerza dirigida es arbitraria— como reflejo de distancias o importancia reales.
- Confundir densidad con cohesión o centralidad con importancia sin fundamento teórico.
- Ignorar los datos faltantes: incluso un 10-20% de lazos faltantes puede alterar sustancialmente las clasificaciones de centralidad.
Preguntas frecuentes
¿Cuál es el tamaño mínimo de red para un ARS significativo?
No hay un mínimo estricto, pero las redes muy pequeñas (menos de ~15 nodos) producen clasificaciones de centralidad inestables y sensibles a cambios en un solo lazo. El ARS descriptivo puede funcionar en redes pequeñas; los métodos inferenciales como ERGM requieren redes más grandes (típicamente 30+ nodos) para estimaciones estables.
¿Puedo usar ARS con datos de red incompletos o muestreados?
Los lazos faltantes son una amenaza seria para la validez. Las estrategias incluyen análisis de sensibilidad, imputación por predicción de enlaces o diseños de redes de ego que no requieren datos completos de la red. Informe el grado de datos faltantes y pruebe la robustez de las conclusiones clave.
¿Cómo elijo entre diferentes medidas de centralidad?
La elección debe estar teóricamente motivada. La centralidad de grado captura la actividad o exposición directa; la centralidad de intermediación captura la intermediación y el control sobre los flujos; la centralidad de cercanía captura la velocidad para llegar a otros; la centralidad de vector propio captura la influencia a través de conexiones de alto estatus. Cada una responde a una pregunta estructural diferente.
¿Cómo pruebo hipótesis estadísticamente en ARS?
La regresión estándar viola el supuesto de independencia. Utilice métodos basados en permutación (correlación y regresión QAP) para hipótesis a nivel de lazo, o Modelos de Grafos Aleatorios Exponenciales (ERGM) para hipótesis estructurales a nivel de red. Para datos longitudinales, los Modelos de Actor Estocástico (SAOMs) son apropiados.
¿Es la visualización lo mismo que el análisis?
No. La visualización de redes es una herramienta de comunicación; la ubicación de los nodos en algoritmos de fuerza dirigida se determina por criterios estéticos, no por importancia estructural. Siempre informe métricas cuantitativas junto con las visualizaciones.
Métodos relacionados
Fuentes
Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1Copiado.Scott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.
ISBN: 978-1-4739-5515-1Copiado.