Analisis Jaringan Dua-Modus
- Diperkenalkan oleh
- Breiger, R. L.
- Tahun
- 1974
- Jenis
- Bipartite graph analysis
- Keluarga
- Network science
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis jaringan dua-modus menguji jaringan yang dibangun dari dua jenis simpul yang berbeda—seperti aktor dan peristiwa, penulis dan makalah, atau perusahaan dan anggota dewan—yang terhubung hanya antar jenis.
Dengan menganalisis struktur bipartit ini secara langsung atau memproyeksikannya ke jaringan satu-modus, peneliti mengungkap pola afiliasi, keanggotaan bersama, dan dualitas struktural yang tidak terlihat dalam analisis jaringan sosial satu-modus standar.
Intuisi di balik metode
Sebagian besar jaringan sosial melibatkan dua jenis entitas: orang dan kelompok, peristiwa, atau artefak yang mereka ikuti. Memperlakukan ini sebagai satu set simpul tunggal memaksa koneksi palsu antara, katakanlah, dua penulis yang tidak pernah berkolaborasi tetapi keduanya menerbitkan di jurnal yang sama. Analisis dua-modus menjaga kedua set tetap terpisah, menghormati dualitas sejati mereka. Sosiolog Ronald Breiger meresmikan wawasan ini pada tahun 1974: ikatan keanggotaan secara bersamaan mendefinisikan ko-afiliasi orang-ke-orang dan ko-keanggotaan kelompok-ke-kelompok, dua perspektif komplementer pada data yang sama.
Sejarah
Makalah Ronald Breiger tahun 1974 'The Duality of Persons and Groups' mendirikan dasar teoretis untuk analisis jaringan dua-modus dengan menunjukkan bahwa ko-keanggotaan aktor dan ko-keanggotaan kelompok adalah dua pandangan komplementer dari satu struktur afiliasi. Borgatti dan Everett meresmikan perangkat analitik dalam makalah Social Networks mereka tahun 1997, memperluas ukuran sentralitas dan kohesi ke graf bipartit. Pendekatan ini mendapatkan penggunaan empiris yang luas dalam studi keterkaitan dewan perusahaan, kolaborasi ilmiah, dan partisipasi komunitas online, dan sekarang secara rutin diimplementasikan dalam paket perangkat lunak seperti UCINET, igraph, dan NetworkX.
Kapan digunakan
Gunakan analisis jaringan dua-modus ketika data Anda secara alami mencatat afiliasi antara dua jenis entitas yang berbeda: penulis dan publikasi, pasien dan diagnosis, direktur dan dewan perusahaan, atau kata dan dokumen. Ini adalah kerangka kerja yang sesuai kapan pun Anda ingin memahami bagaimana keanggotaan dalam kelompok umum membentuk kesamaan aktor, atau bagaimana aktor membentuk tumpang tindih kelompok. Jangan memaksakan data dua-modus ke dalam kerangka kerja satu-modus tanpa mengakui artefak proyeksi. Hindari jika kedua set simpul tidak berbeda secara konseptual, ketika matriks insidensi sangat jarang (sebagian besar aktor berafiliasi hanya dengan satu peristiwa), atau ketika pertanyaan penelitian berkaitan dengan hubungan antar aktor yang tidak dimediasi oleh keanggotaan bersama.
Batasan dan pertimbangan
- Proyeksi satu-modus memperkenalkan inflasi tepi: peristiwa besar dan populer menciptakan klik di antara semua anggotanya, mendistorsi kepadatan dan sentralitas.
- Banyak rutinitas perangkat lunak SNA standar mengasumsikan input satu-modus dan memerlukan adaptasi atau solusi untuk data bipartit.
- Menginterpretasikan komunitas aktor dan peristiwa secara bersamaan memerlukan pengetahuan domain untuk memberi label dan memvalidasi kelompok yang terdeteksi.
- Matriks insidensi yang jarang (aktor berafiliasi dengan sangat sedikit peristiwa) menghasilkan proyeksi yang terfragmentasi dengan daya ungkit analitik yang terbatas.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mempertahankan dualitas asli aktor dan kelompok tanpa meruntuhkan struktur menjadi proyeksi satu-modus yang kehilangan informasi.
- Mengungkap posisi struktural—seperti perantara antar kelompok yang terpisah—yang tidak terlihat dalam analisis satu-modus.
- Dapat diterapkan langsung pada data afiliasi yang ada di mana-mana: kepenulisan, keterkaitan dewan, kehadiran bersama dalam acara, ko-kemunculan tag.
- Metrik asli bipartit (misalnya, koefisien pengelompokan bipartit) menghindari artefak kepadatan yang meningkat dari proyeksi.
- Secara teoritis didasarkan pada prinsip dualitas Breiger, yang memberikan panduan interpretatif yang jelas.
- Kompatibel dengan ekstensi berbobot dan terarah untuk data afiliasi yang lebih kaya.
Penerapan
- Jaringan ko-penulisan ilmiah yang berasal dari matriks insidensi penulis-demi-makalah.
- Penelitian tata kelola perusahaan: jaringan keterkaitan direktur-demi-dewan.
- Studi afiliasi politik: jaringan legislator-demi-komite atau politisi-demi-donatur.
- Komunitas online: jaringan partisipasi pengguna-demi-forum atau pengguna-demi-tagar.
- Analisis bibliometrik: matriks afiliasi kata kunci-demi-dokumen atau jurnal-demi-artikel.
- Kesehatan masyarakat: jaringan paparan pasien-demi-diagnosis atau kontak-demi-lokasi.
Cara kerjanya
Cara kerjanya
Data mentah dikodekan sebagai matriks insidensi biner atau berbobot B berukuran (aktor × peristiwa/kelompok), di mana entri bernilai satu (atau bobotnya) ketika seorang aktor termasuk dalam peristiwa atau kelompok yang sesuai. Tidak ada tepi yang ditarik di antara dua aktor atau dua peristiwa; semua ikatan melintasi batas jenis, menghasilkan graf bipartit.
Untuk menerapkan ukuran SNA standar, graf bipartit diproyeksikan ke satu atau kedua set simpul. Mengalikan B dengan transposnya menghasilkan matriks ko-afiliasi aktor-demi-aktor yang entri A_{ij} menghitung berapa banyak kelompok yang dimiliki bersama oleh aktor i dan j. Proyeksi serupa menghasilkan matriks tumpang tindih kelompok-demi-kelompok. Proyeksi satu-modus ini memungkinkan perhitungan sentralitas dan pengelompokan yang familiar.
Rumus
A_{ij} = \sum_{k} B_{ik} B_{jk}Sentralitas derajat, antara, dan kedekatan dihitung baik secara langsung pada graf bipartit (menggunakan algoritma yang diadaptasi untuk topologi bipartit) atau pada graf satu-modus yang diproyeksikan. Ukuran sentralitas asli bipartit menghindari distorsi yang diperkenalkan oleh proyeksi, seperti kepadatan yang meningkat secara artifisial dalam peristiwa besar.
Algoritma deteksi komunitas yang diadaptasi untuk graf bipartit—seperti maksimisasi modularitas bipartit—mengidentifikasi subset aktor dan peristiwa yang kohesif secara bersamaan. Alternatifnya, algoritma klasik seperti Louvain dapat diterapkan pada jaringan satu-modus yang diproyeksikan, meskipun dengan beberapa informasi struktural yang hilang.
Jaringan bipartit yang diamati dibandingkan dengan model nol—biasanya model konfigurasi yang mempertahankan urutan derajat kedua set simpul—untuk menentukan apakah komunitas yang terdeteksi, peringkat sentralitas, atau pola pengelompokan melebihi peluang. Signifikansi statistik dapat dinilai melalui uji permutasi atau perkiraan analitik.
Kesalahan umum
- Memproyeksikan ke satu modus lalu menerapkan SNA standar tanpa mengungkapkan atau memperbaiki artefak proyeksi.
- Memperlakukan jumlah ko-afiliasi sebagai ukuran langsung dari kekuatan ikatan tanpa normalisasi untuk ukuran peristiwa (normalisasi Jaccard atau kosinus lebih disukai).
- Menggunakan proyeksi tanpa bobot ketika data frekuensi atau intensitas afiliasi tersedia, membuang variasi yang bermakna.
- Menerapkan algoritma modularitas yang dirancang untuk jaringan satu-modus ke graf bipartit tanpa menggunakan versi yang sesuai untuk bipartit.
- Mengabaikan model nol: melaporkan pengelompokan atau sentralitas yang diamati tanpa membandingkan dengan baseline acak yang mempertahankan urutan derajat.
Pertanyaan yang sering diajukan
Haruskah saya menganalisis graf bipartit secara langsung atau memproyeksikannya terlebih dahulu?
Analisis bipartit langsung mempertahankan lebih banyak informasi struktural dan menghindari artefak proyeksi. Proyeksi ke satu modus nyaman untuk menerapkan alat SNA yang familiar tetapi meningkatkan kepadatan dan dapat menciptakan klik palsu di antara anggota peristiwa besar. Jika memungkinkan, gunakan algoritma asli bipartit dan laporkan hasil proyeksi hanya sebagai pemeriksaan tambahan.
Bagaimana cara menangani heterogenitas ukuran peristiwa dalam proyeksi?
Peristiwa besar menghasilkan tepi di antara semua anggotanya, secara artifisial meningkatkan jumlah ko-afiliasi. Normalisasi matriks yang diproyeksikan menggunakan indeks Jaccard (afiliasi bersama dibagi dengan gabungan) atau kesamaan kosinus sebelum menghitung sentralitas, untuk mengoreksi perbedaan popularitas peristiwa.
Perangkat lunak apa yang mendukung analisis jaringan dua-modus?
igraph (R dan Python), NetworkX (Python), UCINET, dan Gephi semuanya mendukung graf bipartit. Fungsi bipartite.projection() igraph dan modul bipartite NetworkX menangani proyeksi dan metrik khusus bipartit secara native.
Bisakah saya menerapkan deteksi komunitas ke jaringan dua-modus?
Ya, tetapi gunakan algoritma yang dirancang untuk graf bipartit, seperti modularitas bipartit Barber, daripada Louvain atau Girvan-Newman standar, yang mengasumsikan struktur satu-modus. Deteksi komunitas bipartit menetapkan keanggotaan ko-komunitas ke set aktor dan peristiwa secara bersamaan.
Apakah analisis dua-modus cocok untuk dataset yang sangat kecil?
Dengan kurang dari sekitar 20 aktor atau peristiwa, peringkat sentralitas dan partisi komunitas menjadi sangat sensitif terhadap titik data individu. Uji signifikansi berbasis permutasi sangat penting pada ukuran kecil, dan hasilnya harus diinterpretasikan dengan hati-hati.
Metode terkait
Sumber
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
Buka referensi DOIDisalin.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
Buka referensi DOIDisalin.