Skip to content
検索結果に戻る

中心性分析 — 次数、媒介中心性、固有ベクトル

提唱者
Linton C. Freeman
年
1979
種類
Descriptive / exploratory network measure family

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

中心性分析は、グラフ内の個々のノードの構造的重要性(structural importance)を定量化するネットワーク分析手法群であり、Freeman (1979) によって形式化された。各中心性指標は影響力の異なるメカニズムを捉える。次数中心性(degree centrality)は直接的な連結性(connectivity)を反映し、媒介中心性(betweenness centrality)は情報伝達を仲介するノードを特定し、近接中心性(closeness centrality)は他の全てのノードへの近さを捉え、固有ベクトル中心性(eigenvector centrality)(PageRankと共に)は接続性の高い隣接ノードへの接続を評価する。

手法の背後にある直感

ネットワーク内の全てのノードが等しく重要であるわけではない。多くの道路が通過する都市は、同じ数の直接的な道路リンクを持つ終端の都市よりも交通にとって重要である。中心性尺度はこの直感を数値に変換する。次数中心性は単にノードが持つ隣接ノードの数を数える。媒介中心性は、他の全てのノードペア間の最短経路(shortest path)上にノードがどれだけ頻繁に位置するかを数え、ゲートキーパー(gatekeeper)を明らかにする。近接中心性は、ノードが他の全てのノードにどれだけ速く到達できるかを測定する。固有ベクトル中心性は、各隣接ノードの寄与をその隣接ノード自体の中心性によって重み付けするため、影響力のあるノードへの接続は単なる数よりも重要である。各尺度は、ネットワーク内で誰または何が最も重要かについての異なる問いに答える。

歴史学

Freeman (1979) は、それまで散在していた3つの考え、すなわち次数、媒介中心性、近接中心性を、社会ネットワーク中心性に関する単一の理論的枠組みの下で統合し、この分野の基礎的な概念的明確化を提供した。Borgatti (2005) は、各中心性タイプを特定のネットワークフローモデル(network flow model)と関連付けることによって枠組みを拡張し、尺度に明確な理論的根拠を与えた。固有ベクトル中心性は、より早い時期に固有値解析(spectral analysis)の行列にルーツを持ち、後にネットワークのために操作化された。GoogleのPageRank (1998) はその最も有名な応用的な子孫である。

使うべき場面

中心性分析は、関係データをグラフとして表現でき、どのノードが構造的に最も重要かという問いに関心がある場合に適用される。社会ネットワーク分析、書誌計量学(bibliometrics)、生物学、交通、情報システム研究で使用される。正規性の仮定(normality assumption)は不要であり、この手法は横断的(cross-sectional)および縦断的(longitudinal)ネットワークデータに適している。ネットワークは連結しているか、または連結成分が個別に分析されるべきである。これにより、媒介中心性や近接中心性のような経路ベースの尺度(path-based measure)が適切に定義される。スコアが解釈可能であるためには少なくとも10ノードが必要であり、中心性のランキングが統計的に意味を持つためには少なくとも20ノードが必要である。重み付きネットワークでは、中心性が計算される前に理論的に根拠のある重み定義が必要である。

限界と注意点

  • 媒介中心性は計算複雑性 O(VE) を持ち、非常に大規模なネットワークではコストが高い。
  • 経路ベースの尺度(媒介中心性、近接中心性)は、非連結グラフでは未定義であるか、特別な処理が必要である。
  • 中心性スコアは、重み付きネットワークにおけるエッジ重み定義の選択に敏感である。不適切な重みは全ての指標を歪める。
  • ノード数が20未満の場合、尺度は統計的検出力(statistical power)を欠き、推論結果(inferential result)ではなく記述的なものとして扱われるべきである。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 各指標は構造的重要性(structural importance)の異なるメカニズムを捉え、ネットワークの多次元的な肖像(multidimensional portrait)を提供する。
  • 分布に関する仮定は不要であり、この手法は変数の種類に関係なく任意のグラフで機能する。
  • 次数中心性と固有ベクトル中心性は非常に大規模なグラフに対して効率的にスケーリングする。次数中心性は O(V+E) で計算される。
  • 社会学や生物学からコンピュータサイエンスまで、幅広い分野で広くサポートされており、結果の伝達可能性が高い。

応用

  • 社会ネットワークおよび組織ネットワークにおけるキーオピニオンリーダー(key opinion leader)および情報仲介者(information broker)の特定。
  • 共著者ネットワークまたは引用ネットワーク(citation network)の中心性を計算することによる、科学的影響力のマッピング。
  • 交通、電力網、インターネットトポロジーネットワークにおける、重要なインフラストラクチャノードの特定。
  • 媒介中心性が高い感染拡大者(spreader)を特定することによる、疫学ネットワークにおけるワクチン接種または監視ターゲットの優先順位付け。
  • サプライチェーンおよび金融ネットワークにおけるゲートキーパーを検出し、システムリスク(systemic risk)を評価する。

使い方

使い方

1

グラフは関係データ(relational data)から組み立てられる。ノードはエンティティ(人、組織、ウェブページ)を表し、エッジはそれらの間の関係または相互作用を表す。分析者は、エッジが有向(directed)か無向(undirected)か、またエッジが重み(weight)を持つかどうかを決定する。有向ネットワークでは、入次数(in-degree)と出次数(out-degree)は別々に計算され、異なる解釈がなされる。中心性スコアの妥当性は、グラフ構造が研究対象の現実世界の関係を忠実に表現しているかどうかに完全に依存する。

2

分析者は、どの中心性指標、または指標の組み合わせが、実質的な問い(substantive question)に合致するかを選択する。次数中心性は、生の連結性が関心事である場合に適切である。媒介中心性は、仲介(brokerage)と情報ゲートキーピング(information gatekeeping)に焦点が当てられる場合に選択されるが、大規模グラフでは計算コストが高い(O(VE))。近接中心性は、ネットワークが連結している場合、または連結成分(component)が個別に分析される場合に意味を持つ。固有ベクトル中心性またはPageRankは、名声(prestige)と再帰的な影響力(recursive influence)が重要である場合に選択される。重み付きネットワークでは、指標が計算される前に重み定義が理論的に意味を持つ必要がある。

3

選択された各指標はグラフ上で計算される。次数中心性は、生の次数を(n-1)で割ることによって正規化される。媒介中心性は、各ノードを通る最短経路の数を数え、ノードペアの総数で正規化される。近接中心性は、ノードから到達可能な全てのノードへの平均最短経路距離の逆数である。固有ベクトル中心性は、隣接行列(adjacency matrix)の主固有ベクトル(principal eigenvector)として解かれ、収束には反復が必要である。ノードは各スコアでランク付けされ、スコアの分布が集中度について検査される。

4

結果として得られた中心性スコアとランキングは、研究の実質的な文脈で解釈される。次数が高いノードは、よく接続されたハブ(hub)である。媒介中心性が高いノードは、構造的な橋渡し(bridge)または仲介者である。近接中心性が高いノードは、情報を迅速に広めることができる。固有ベクトル中心性が高いノードは、影響力のある近隣に埋め込まれている。複数の指標を比較して、ある次元では高くランク付けされるが別の次元ではそうでないノードを明らかにする。これはしばしば最も理論的に興味深い発見となる。ノード数が20未満のネットワークでは、中心性スコアは統計的に薄く、純粋に記述的なものとして扱われるべきである。

よくある落とし穴

  • 媒介中心性または近接中心性を、最初に連結成分に分解せずに非連結グラフに適用すると、孤立したノードに対して未定義または誤解を招くスコアが得られる。
  • 5つの中心性指標すべてを等価なものとして扱うこと。それぞれが異なる問いに答えるため、実質的な仮説に対して間違った指標を選択することは一般的な誤りである。
  • 有向ネットワークでエッジの方向性を無視すると、入次数と出次数が単一の数値に潰れ、関係の非対称性に関する情報が失われる。
  • ノード数が20未満のネットワークで中心性スコアを統計的に頑健(robust)であるかのように解釈すること。この閾値未満では、スコアは記述的なものに過ぎず、推論的結論を導き出すために使用されるべきではない。

よくある質問

どの中心性尺度を使用すべきか?

選択は実質的な問いによります。最も直接的な接続を持つノードを特定するには次数中心性を使用します。ネットワークの異なる部分間の情報フローを制御する仲介者を見つけるには媒介中心性を使用します。他の全てに迅速に到達できるノードを特定するには近接中心性を使用します。ノードの名声(prestige)がその数と同じくらい重要である場合は、固有ベクトル中心性またはPageRankを使用します。単一の尺度に依存するよりも、2つまたは3つの補完的な指標を報告し、ランキングを比較することが通常より有益である。

中心性分析は有向ネットワークに適用できますか?

はい。有向ネットワークでは、入次数と出次数は別々に計算および解釈されます。入次数は、ノードが他者からどれだけ頻繁に選択または引用されるかを反映し、出次数は、ノードが他者にどれだけ到達または参照するかを反映します。媒介中心性と近接中心性にも有向版があります。有向グラフ上の固有ベクトル中心性は、名声がノードに流れるかノードから流れるかに応じて、通常、優位な左または右固有ベクトルを使用します。

意味のある結果を得るために必要な最小ネットワークサイズは?

Statwiseレジストリは、中心性計算には少なくとも10ノードを規定しており、意味のある統計的解釈には少なくとも20ノードが必要です。20ノード未満では、少数のノードのランキングは一般化せず、記述的なネットワーク統計の方が正直な選択です。

非連結グラフをどのように扱いますか?

経路ベースの尺度(媒介中心性、近接中心性)は、異なる連結成分内のノード間では未定義です。標準的なアプローチは、各連結成分を個別に分析するか、近接性を到達可能なノードに制限し、それに応じて正規化することです。次数中心性と固有ベクトル中心性は連結性を必要とせず、グラフ全体で計算できます。

関連する手法

参考文献

  1. Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.

    DOI 文献を開く
    コピーしました。
  2. Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.

    DOI 文献を開く
    コピーしました。