Analisi di Centralità — Grado, Betweenness, Autovettore
- Introdotto da
- Linton C. Freeman
- Anno
- 1979
- Tipo
- Descriptive / exploratory network measure family
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'analisi di centralità è una famiglia di misure di analisi di rete, formalizzata da Freeman (1979), che quantifica l'importanza strutturale dei singoli nodi all'interno di un grafo.
Ogni indice di centralità cattura un distinto meccanismo di influenza: la centralità di grado riflette la connettività diretta, la centralità di betweenness identifica i nodi che mediano il flusso di informazioni, la centralità di closeness cattura la prossimità a tutti gli altri, e la centralità di autovettore (insieme a PageRank) premia la connessione a vicini altamente connessi.
L’intuizione alla base del metodo
Non tutti i nodi in una rete sono ugualmente importanti. Una città attraversata da molte strade è più critica per il traffico di una che si trova alla fine di una strada senza uscita, anche se entrambe le città hanno lo stesso numero di collegamenti stradali diretti. Le misure di centralità traducono questa intuizione in numeri. La centralità di grado conta semplicemente quanti vicini ha un nodo. La centralità di betweenness conta quante volte un nodo si trova sul percorso più breve tra ogni altra coppia, rivelando i "gatekeeper". La centralità di closeness misura quanto velocemente un nodo può raggiungere tutti gli altri. La centralità di autovettore pondera il contributo di ogni vicino in base a quanto quel vicino è centrale, quindi essere connessi a nodi influenti conta più del numero puro. Ogni misura risponde a una domanda diversa su chi o cosa sia più importante nella rete.
Storia
Freeman (1979) ha fornito la chiarificazione concettuale fondamentale del campo, unificando tre idee precedentemente sparse — grado, betweenness e closeness — sotto un unico quadro teorico per la centralità delle reti sociali. Borgatti (2005) ha esteso il quadro collegando ogni tipo di centralità a specifici modelli di flusso di rete, dando alle misure una base teorica più chiara. La centralità di autovettore aveva radici precedenti nell'analisi spettrale delle matrici ed è stata successivamente operazionalizzata per le reti; il PageRank di Google (1998) è il suo discendente applicato più noto.
Quando usarlo
L'analisi di centralità si applica ogni volta che i dati relazionali possono essere rappresentati come un grafo e la domanda riguarda quali nodi sono strutturalmente più importanti. È utilizzata nell'analisi delle reti sociali, nella bibliometria, nella biologia, nei trasporti e nella ricerca sui sistemi informativi. Non è richiesto alcun presupposto di normalità e il metodo è adatto per dati di rete trasversali e longitudinali. La rete dovrebbe essere connessa, o i componenti dovrebbero essere analizzati separatamente, in modo che le misure basate sul percorso come betweenness e closeness siano ben definite. Sono necessari almeno 10 nodi affinché i punteggi siano interpretabili, e almeno 20 affinché le classifiche di centralità siano statisticamente significative. Le reti pesate richiedono una definizione del peso teoricamente fondata prima che la centralità venga calcolata.
Limiti e considerazioni
- La centralità di betweenness ha una complessità computazionale O(VE), rendendola costosa su reti molto grandi.
- Le misure basate sul percorso (betweenness, closeness) sono indefinite o richiedono un trattamento speciale nei grafi disconnessi.
- I punteggi di centralità sono sensibili alla scelta della definizione del peso degli archi nelle reti pesate; un peso mal scelto distorce ogni indice.
- Con meno di 20 nodi, le misure mancano di potenza statistica e dovrebbero essere trattate come descrizioni esplorative piuttosto che come risultati inferenziali.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Ogni indice cattura un distinto meccanismo di importanza strutturale, fornendo un ritratto multidimensionale della rete.
- Non sono richiesti presupposti distribuzionali; il metodo funziona su qualsiasi grafo indipendentemente dal tipo di variabile.
- La centralità di grado e di autovettore si scalano efficientemente a grafi molto grandi; la centralità di grado è calcolata in O(V+E).
- Ampiamente supportato in diverse discipline — dalla sociologia e biologia all'informatica — rendendo i risultati ampiamente comunicabili.
Applicazioni
- Identificare i "key opinion leader" e i mediatori di informazioni nelle reti sociali e organizzative.
- Mappare l'influenza scientifica calcolando la centralità su reti di co-autorialità o citazione.
- Individuare nodi infrastrutturali critici nelle reti di trasporto, reti elettriche e topologie internet.
- Dare priorità alla vaccinazione o agli obiettivi di monitoraggio nelle reti epidemiologiche individuando i diffusori ad alta betweenness.
- Rilevare i "gatekeeper" nelle catene di approvvigionamento e nelle reti finanziarie per valutare il rischio sistemico.
Come funziona
Come funziona
Un grafo è assemblato a partire dai dati relazionali: i nodi rappresentano entità (persone, istituzioni, pagine web) e gli archi rappresentano le relazioni o le interazioni tra di esse. L'analista decide se gli archi sono diretti o non diretti e se portano pesi. Nelle reti dirette, il grado in entrata (in-degree) e il grado in uscita (out-degree) sono calcolati separatamente e interpretati in modo diverso. La validità dei punteggi di centralità dipende interamente dal fatto che la struttura del grafo sia una rappresentazione fedele delle relazioni reali in studio.
L'analista sceglie quale indice di centralità — o combinazione di indici — corrisponde alla domanda sostanziale. La centralità di grado è appropriata quando l'interesse è la connettività grezza. La centralità di betweenness è scelta quando l'attenzione è sulla mediazione e sul "gatekeeping" delle informazioni, a costo di un maggiore sforzo computazionale (O(VE)) su grafi grandi. La centralità di closeness è significativa quando la rete è connessa o quando i componenti sono analizzati separatamente. La centralità di autovettore o PageRank è selezionata quando contano il prestigio e l'influenza ricorsiva. Per le reti pesate, la definizione del peso deve essere teoricamente significativa prima che qualsiasi indice venga calcolato.
Ogni indice selezionato viene calcolato sul grafo. La centralità di grado è normalizzata dividendo il grado grezzo per (n-1). La centralità di betweenness conta i percorsi più brevi attraverso ogni nodo ed è normalizzata dal numero totale di coppie di nodi. La centralità di closeness è il reciproco della distanza media del percorso più breve da un nodo a tutti i nodi raggiungibili. La centralità di autovettore è risolta come l'autovettore principale della matrice di adiacenza e richiede iterazione fino alla convergenza. I nodi sono classificati in base a ogni punteggio e la distribuzione dei punteggi viene ispezionata per la concentrazione.
I punteggi e le classifiche di centralità risultanti sono interpretati nel contesto sostanziale dello studio. I nodi con alto grado sono hub ben connessi; i nodi con alta betweenness sono ponti strutturali o mediatori; i nodi con alta closeness possono diffondere informazioni rapidamente; i nodi con alto autovettore sono incorporati in quartieri influenti. Vengono confrontati più indici per rivelare nodi che si classificano in alto su una dimensione ma non su un'altra, il che è spesso il risultato teoricamente più interessante. Le reti con meno di 20 nodi producono punteggi di centralità statisticamente esili e dovrebbero essere trattati come puramente descrittivi.
Errori comuni
- Applicare betweenness o closeness a un grafo disconnesso senza prima decomporlo in componenti produce punteggi indefiniti o fuorvianti per i nodi isolati.
- Trattare tutti e cinque gli indici di centralità come intercambiabili — ciascuno risponde a una domanda diversa, e selezionare l'indice sbagliato per l'ipotesi sostanziale è un errore comune.
- Ignorare la direzione degli archi nelle reti dirette collassa il grado in entrata e il grado in uscita in un unico numero, perdendo informazioni sull'asimmetria delle relazioni.
- Interpretare i punteggi di centralità in reti con meno di 20 nodi come se fossero statisticamente robusti — al di sotto di questa soglia i punteggi sono solo descrittivi e non dovrebbero essere usati per trarre conclusioni inferenziali.
Domande frequenti
Quale misura di centralità dovrei usare?
La scelta dipende dalla domanda sostanziale. Usa la centralità di grado per identificare i nodi con il maggior numero di connessioni dirette. Usa la centralità di betweenness per trovare i mediatori che controllano il flusso di informazioni tra le parti della rete. Usa la centralità di closeness per identificare i nodi che possono raggiungere tutti gli altri rapidamente. Usa la centralità di autovettore o PageRank quando il prestigio dei vicini di un nodo conta tanto quanto il loro numero. Riportare due o tre indici complementari e confrontare le classifiche è solitamente più informativo che affidarsi a una singola misura.
L'analisi di centralità può essere applicata a reti dirette?
Sì. In una rete diretta, il grado in entrata (in-degree) e il grado in uscita (out-degree) sono calcolati e interpretati separatamente: il grado in entrata riflette quante volte un nodo è scelto o citato da altri, mentre il grado in uscita riflette quanti altri raggiunge o a quanti altri fa riferimento. Betweenness e closeness hanno anche varianti dirette. La centralità di autovettore su grafi diretti utilizza tipicamente l'autovettore dominante sinistro o destro a seconda che il prestigio fluisca verso o da un nodo.
Qual è la dimensione minima della rete necessaria per risultati significativi?
Il registro statwise specifica un minimo di 10 nodi per qualsiasi calcolo di centralità, e un'interpretazione statistica significativa richiede almeno 20. Al di sotto di 20 nodi la classificazione di una manciata di nodi non generalizza, e le statistiche descrittive di rete sono la scelta più onesta.
Come gestisco un grafo disconnesso?
Le misure basate sul percorso — betweenness e closeness — sono indefinite tra nodi in componenti diverse. L'approccio standard è analizzare ogni componente connessa separatamente, o limitare la closeness ai nodi raggiungibili e normalizzare di conseguenza. La centralità di grado e di autovettore non richiedono connettività e possono essere calcolate sull'intero grafo.
Metodi correlati
Fonti
Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.
Apri il riferimento DOICopiato.Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.
Apri il riferimento DOICopiato.