Skip to content
Torna ai risultati

Analisi di Reti a Due Modi

Introdotto da
Breiger, R. L.
Anno
1974
Tipo
Bipartite graph analysis
Famiglia
Network science

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

L'analisi di reti a due modi esamina reti costruite da due tipi distinti di nodi — come attori ed eventi, autori e articoli, o aziende e membri del consiglio — connessi solo tra tipi diversi.

Analizzando direttamente questa struttura bipartita o proiettandola su reti a un modo, i ricercatori scoprono pattern di affiliazione, appartenenze condivise e dualità strutturali che sono invisibili nell'analisi standard di reti sociali a un modo.

L’intuizione alla base del metodo

La maggior parte delle reti sociali coinvolge due tipi di entità: persone e i gruppi, eventi o artefatti a cui appartengono. Trattare questi come un unico insieme di nodi impone connessioni false tra, ad esempio, due autori che non hanno mai co-firmato ma entrambi hanno pubblicato sulla stessa rivista. L'analisi a due modi mantiene entrambi gli insiemi separati, rispettando la loro vera dualità. Il sociologo Ronald Breiger ha formalizzato questa intuizione nel 1974: i legami di appartenenza definiscono simultaneamente la co-affiliazione persona-persona e la co-appartenenza gruppo-gruppo, due prospettive complementari sugli stessi dati.

Storia

L'articolo del 1974 di Ronald Breiger 'The Duality of Persons and Groups' ha stabilito le basi teoriche per l'analisi di reti a due modi mostrando che la co-appartenenza degli attori e la co-appartenenza dei gruppi sono due visioni complementari di una singola struttura di affiliazione. Borgatti ed Everett hanno formalizzato il toolkit analitico nel loro articolo del 1997 su Social Networks, estendendo le misure di centralità e coesione ai grafi bipartiti. L'approccio ha guadagnato un ampio uso empirico in studi su interconnessioni di consigli di amministrazione aziendali, collaborazione scientifica e partecipazione a comunità online, ed è ora regolarmente implementato in pacchetti software come UCINET, igraph e NetworkX.

Quando usarlo

Utilizzare l'analisi di reti a due modi quando i dati registrano naturalmente affiliazioni tra due tipi distinti di entità: autori e pubblicazioni, pazienti e diagnosi, direttori e consigli di amministrazione, o parole e documenti. È il framework appropriato ogni volta che si desidera comprendere come l'appartenenza a gruppi comuni modella la somiglianza tra attori, o come gli attori modellano la sovrapposizione dei gruppi. Non forzare dati a due modi in un framework a un modo senza riconoscere gli artefatti di proiezione. Evitarla quando i due insiemi di nodi non sono concettualmente distinti, quando la matrice di incidenza è estremamente sparsa (la maggior parte degli attori affiliati a un solo evento), o quando la domanda di ricerca riguarda relazioni tra attori non mediate da appartenenza condivisa.

Limiti e considerazioni

  • Le proiezioni a un modo introducono inflazione degli archi: eventi grandi e popolari creano clique tra tutti i loro membri, distorcendo densità e centralità.
  • Molte routine software SNA standard assumono input a un modo e richiedono adattamenti o soluzioni alternative per dati bipartiti.
  • L'interpretazione di comunità simultanee di attori ed eventi richiede conoscenza del dominio per etichettare e validare i gruppi rilevati.
  • Matrici di incidenza sparse (attori affiliati a pochissimi eventi) producono proiezioni frammentate con limitata leva analitica.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Preserva la genuina dualità di attori e gruppi senza collassare la struttura in una proiezione a un modo con perdita di informazioni.
  • Rivela posizioni strutturali — come broker tra gruppi altrimenti separati — che sono invisibili nell'analisi a un modo.
  • Direttamente applicabile a dati di affiliazione ubiquitari: co-authorship, interconnessioni di consigli di amministrazione, co-partecipazione a eventi, co-occorrenza di tag.
  • Metriche native bipartite (ad es. coefficiente di clustering bipartito) evitano gli artefatti di densità gonfiata delle proiezioni.
  • Teoricamente fondata sul principio di dualità di Breiger, che fornisce una chiara guida interpretativa.
  • Compatibile con estensioni pesate e dirette per dati di affiliazione più ricchi.

Applicazioni

  • Reti di co-authorship scientifica derivate da matrici di incidenza autore-articolo.
  • Ricerca sulla governance aziendale: reti di interconnessione direttore-consiglio di amministrazione.
  • Studi di affiliazione politica: reti legislatore-commissione o politico-donatore.
  • Comunità online: reti di partecipazione utente-forum o utente-hashtag.
  • Analisi bibliometrica: matrici di affiliazione parola chiave-documento o rivista-articolo.
  • Sanità pubblica: reti di esposizione paziente-diagnosi o contatto-luogo.

Come funziona

Come funziona

1

I dati grezzi sono codificati come una matrice di incidenza binaria o pesata B di dimensione (attori × eventi/gruppi), dove una voce è uguale a uno (o al suo peso) quando un attore appartiene all'evento o al gruppo corrispondente. Nessun arco viene disegnato tra due attori o due eventi; tutti i legami attraversano il confine del tipo, producendo un grafo bipartito.

2

Per applicare le misure SNA standard, il grafo bipartito viene proiettato su uno o entrambi gli insiemi di nodi. Moltiplicando B per la sua trasposta si ottiene una matrice di co-affiliazione attore-attore la cui voce A_{ij} conta quanti gruppi condividono gli attori i e j. Una proiezione analoga produce una matrice di sovrapposizione gruppo-gruppo. Queste proiezioni a un modo consentono calcoli familiari di centralità e clustering.

Formula
A_{ij} = \sum_{k} B_{ik} B_{jk}
3

La centralità di grado, di intermediazione e di vicinanza viene calcolata direttamente sul grafo bipartito (utilizzando algoritmi adattati per la topologia bipartita) o sui grafi proiettati a un modo. Le misure di centralità native bipartite evitano le distorsioni introdotte dalla proiezione, come densità artificialmente gonfiate in eventi di grandi dimensioni.

4

Algoritmi di rilevamento delle comunità adattati per grafi bipartiti — come la massimizzazione della modularità bipartita — identificano simultaneamente sottoinsiemi coesivi di attori ed eventi. In alternativa, algoritmi classici come Louvain possono essere applicati alla rete a un modo proiettata, sebbene con una certa perdita di informazioni strutturali.

5

La rete bipartita osservata viene confrontata con modelli nulli — tipicamente un modello di configurazione che preserva la sequenza dei gradi di entrambi gli insiemi di nodi — per determinare se le comunità rilevate, le classifiche di centralità o i pattern di clustering superano il caso. La significatività statistica può essere valutata tramite test di permutazione o approssimazioni analitiche.

Errori comuni

  • Proiettare su un modo e poi applicare SNA standard senza divulgare o correggere gli artefatti di proiezione.
  • Trattare il conteggio della co-affiliazione come una misura diretta della forza del legame senza normalizzare per la dimensione dell'evento (si preferisce la normalizzazione Jaccard o coseno).
  • Utilizzare proiezioni non pesate quando sono disponibili dati sulla frequenza o intensità di affiliazione, scartando variazioni significative.
  • Applicare algoritmi di modularità progettati per reti a un modo a un grafo bipartito senza utilizzare versioni appropriate per grafi bipartiti.
  • Ignorare il modello nullo: riportare clustering o centralità osservati senza confrontarli con una linea di base casuale che preserva la sequenza dei gradi.

Domande frequenti

Devo analizzare direttamente il grafo bipartito o proiettarlo prima?

L'analisi bipartita diretta preserva più informazioni strutturali ed evita artefatti di proiezione. La proiezione su un modo è conveniente per applicare strumenti SNA familiari ma aumenta la densità e può creare clique spurie tra i membri di eventi di grandi dimensioni. Quando fattibile, utilizzare algoritmi nativi bipartiti e riportare i risultati della proiezione solo come controllo supplementare.

Come gestisco l'eterogeneità delle dimensioni degli eventi nelle proiezioni?

Eventi di grandi dimensioni generano archi tra tutti i loro membri, aumentando artificialmente i conteggi di co-affiliazione. Normalizzare la matrice proiettata utilizzando l'indice di Jaccard (affiliazioni condivise diviso l'unione) o la similarità del coseno prima di calcolare la centralità, per correggere le differenze nella popolarità degli eventi.

Quale software supporta l'analisi di reti a due modi?

igraph (R e Python), NetworkX (Python), UCINET e Gephi supportano tutti i grafi bipartiti. La funzione igraph bipartite.projection() e il modulo bipartite di NetworkX gestiscono la proiezione e le metriche specifiche bipartite nativamente.

Posso applicare il rilevamento delle comunità a una rete a due modi?

Sì, ma utilizzare algoritmi progettati per grafi bipartiti, come la modularità bipartita di Barber, piuttosto che Louvain o Girvan-Newman standard, che assumono una struttura a un modo. Il rilevamento delle comunità bipartita assegna appartenenze co-comunitarie a entrambi gli insiemi di attori ed eventi simultaneamente.

L'analisi a due modi è appropriata per set di dati molto piccoli?

Con meno di circa 20 attori o eventi, le classifiche di centralità e le partizioni delle comunità diventano altamente sensibili ai singoli punti dati. I test di significatività basati su permutazione sono particolarmente importanti a dimensioni ridotte, e i risultati dovrebbero essere interpretati con cautela.

Metodi correlati

Fonti

  1. Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.

    Apri il riferimento DOI
    Copiato.
  2. Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.

    Apri il riferimento DOI
    Copiato.