Analiza centralności — stopień, pośrednictwo, wektor własny
- Autor metody
- Linton C. Freeman
- Rok
- 1979
- Typ
- Descriptive / exploratory network measure family
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Analiza centralności to rodzina miar sieciowych, sformalizowana przez Freemana (1979), która kwantyfikuje strukturalne znaczenie poszczególnych węzłów w grafie.
Każdy indeks centralności ujmuje odmienny mechanizm wpływu: centralność stopnia odzwierciedla bezpośrednią łączność, centralność pośrednictwa identyfikuje węzły pośredniczące w przepływie informacji, centralność bliskości ujmuje odległość od wszystkich innych, a centralność wektora własnego (wraz z PageRank) nagradza połączenia z sąsiadami o wysokiej łączności.
Intuicja stojąca za metodą
Nie każdy węzeł w sieci jest równie ważny. Miasto, przez które przechodzi wiele dróg, jest bardziej krytyczne dla ruchu niż miasto znajdujące się na końcu ślepej uliczki, nawet jeśli oba miasta mają taką samą liczbę bezpośrednich połączeń drogowych. Miary centralności przekładają tę intuicję na liczby. Centralność stopnia po prostu zlicza liczbę sąsiadów danego węzła. Centralność pośrednictwa zlicza, jak często węzeł znajduje się na najkrótszej ścieżce między każdą inną parą, ujawniając strażników dostępu. Centralność bliskości mierzy, jak szybko węzeł może dotrzeć do wszystkich innych. Centralność wektora własnego przypisuje wagę wkładowi każdego sąsiada w zależności od tego, jak centralny jest ten sąsiad, więc połączenie z wpływowymi węzłami ma większe znaczenie niż sama ich liczba. Każda miara odpowiada na inne pytanie o to, kto lub co jest najważniejsze w sieci.
Historia
Freeman (1979) zapewnił fundamentalne ujednolicenie koncepcyjne w tej dziedzinie, łącząc trzy wcześniej rozproszone idee — stopień, pośrednictwo i bliskość — w ramach jednej teoretycznej struktury dla centralności w sieciach społecznych. Borgatti (2005) rozszerzył tę strukturę, łącząc każdy typ centralności ze specyficznymi modelami przepływu w sieci, nadając miarom jaśniejsze podstawy teoretyczne. Centralność wektora własnego miała wcześniejsze korzenie w analizie spektralnej macierzy i została później zoperacjonalizowana dla sieci; PageRank Google (1998) jest jego najbardziej znanym potomkiem stosowanym w praktyce.
Kiedy stosować
Analiza centralności ma zastosowanie wszędzie tam, gdzie dane relacyjne można przedstawić jako graf, a pytanie dotyczy tego, które węzły są strukturalnie najważniejsze. Jest stosowana w analizie sieci społecznych, bibliometrii, biologii, transporcie i badaniach systemów informatycznych. Nie wymaga założenia o normalności, a metoda jest odpowiednia dla danych sieciowych przekrojowych i podłużnych. Sieć powinna być spójna, lub komponenty powinny być analizowane oddzielnie, aby miary oparte na ścieżkach, takie jak pośrednictwo i bliskość, były dobrze zdefiniowane. Potrzeba co najmniej 10 węzłów, aby wyniki były interpretowalne, a co najmniej 20, aby rankingi centralności były statystycznie znaczące. Sieci ważone wymagają teoretycznie uzasadnionej definicji wagi przed obliczeniem centralności.
Ograniczenia i uwagi
- Centralność pośrednictwa ma złożoność obliczeniową O(VE), co czyni ją kosztowną w przypadku bardzo dużych sieci.
- Miary oparte na ścieżkach (pośrednictwo, bliskość) są niezdefiniowane lub wymagają specjalnego traktowania w grafach niepołączonych.
- Wyniki centralności są wrażliwe na wybór definicji wagi krawędzi w sieciach ważonych; źle dobrana waga zniekształca każdy indeks.
- Przy mniej niż 20 węzłach miary tracą moc statystyczną i powinny być traktowane jako opisy eksploracyjne, a nie wyniki wnioskowania.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Każdy indeks ujmuje odmienny mechanizm strukturalnego znaczenia, tworząc wielowymiarowy portret sieci.
- Nie są wymagane żadne założenia dotyczące rozkładu; metoda działa na dowolnym grafie, niezależnie od typu zmiennej.
- Centralność stopnia i centralność wektora własnego efektywnie skalują się do bardzo dużych grafów; centralność stopnia jest obliczana w O(V+E).
- Szeroko wspierana w różnych dyscyplinach — od socjologii i biologii po informatykę — co sprawia, że wyniki są szeroko komunikowalne.
Zastosowania
- Identyfikacja kluczowych liderów opinii i pośredników informacji w sieciach społecznych i organizacyjnych.
- Mapowanie wpływu naukowego poprzez obliczanie centralności w sieciach współautorstwa lub cytowań.
- Lokalizowanie krytycznych węzłów infrastruktury w sieciach transportowych, energetycznych i topologii internetowej.
- Priorytetyzacja celów szczepień lub monitorowania w sieciach epidemiologicznych poprzez wskazanie rozprzestrzeniaczy o wysokim pośrednictwie.
- Wykrywanie strażników dostępu w sieciach łańcuchów dostaw i finansowych w celu oceny ryzyka systemowego.
Jak to działa
Jak to działa
Graf jest tworzony na podstawie danych relacyjnych: węzły reprezentują byty (ludzie, instytucje, strony internetowe), a krawędzie reprezentują relacje lub interakcje między nimi. Analityk decyduje, czy krawędzie są skierowane czy nieskierowane i czy niosą wagi. W sieciach skierowanych stopień wejściowy i stopień wyjściowy są obliczane oddzielnie i interpretowane inaczej. Trafność wyników centralności zależy całkowicie od tego, czy struktura grafu jest wiernym odwzorowaniem badanych relacji w świecie rzeczywistym.
Analityk wybiera, który indeks centralności — lub kombinacja indeksów — odpowiada postawionemu pytaniu merytorycznemu. Centralność stopnia jest odpowiednia, gdy interesuje nas surowa łączność. Centralność pośrednictwa jest wybierana, gdy skupiamy się na pośrednictwie i kontroli przepływu informacji, kosztem większego nakładu obliczeniowego (O(VE)) na dużych grafach. Centralność bliskości jest znacząca, gdy sieć jest spójna lub gdy analizowane są oddzielnie komponenty. Centralność wektora własnego lub PageRank jest wybierana, gdy liczy się prestiż i wpływ rekurencyjny. W przypadku sieci ważonych definicja wagi musi być teoretycznie uzasadniona przed obliczeniem jakiegokolwiek indeksu.
Każdy wybrany indeks jest obliczany dla grafu. Centralność stopnia jest normalizowana przez podzielenie surowego stopnia przez (n-1). Centralność pośrednictwa zlicza najkrótsze ścieżki przez każdy węzeł i jest normalizowana przez całkowitą liczbę par węzłów. Centralność bliskości jest odwrotnością średniej odległości najkrótszej ścieżki od węzła do wszystkich osiągalnych węzłów. Centralność wektora własnego jest rozwiązywana jako główny wektor własny macierzy sąsiedztwa i wymaga iteracji do zbieżności. Węzły są szeregowane według każdego wyniku, a rozkład wyników jest badany pod kątem koncentracji.
Uzyskane wyniki centralności i rankingi są interpretowane w merytorycznym kontekście badania. Węzły o wysokim stopniu to dobrze połączone centra; węzły o wysokim pośrednictwie to mosty strukturalne lub pośrednicy; węzły o wysokiej bliskości mogą szybko rozprzestrzeniać informacje; węzły o wysokim wektorze własnym są osadzone w wpływowych sąsiedztwach. Porównuje się wiele indeksów, aby ujawnić węzły, które zajmują wysokie miejsca w jednym wymiarze, ale nie w innym, co jest często najbardziej interesującym teoretycznie odkryciem. Sieci z mniej niż 20 węzłami dają wyniki centralności, które są statystycznie słabe i powinny być traktowane jako czysto opisowe.
Częste pułapki
- Stosowanie pośrednictwa lub bliskości do grafu niepołączonego bez wcześniejszego rozłożenia go na komponenty daje niezdefiniowane lub mylące wyniki dla węzłów izolowanych.
- Traktowanie wszystkich pięciu indeksów centralności jako wymiennych — każdy odpowiada na inne pytanie, a wybór niewłaściwego indeksu dla hipotezy merytorycznej jest częstym błędem.
- Ignorowanie kierunku krawędzi w sieciach skierowanych sprowadza stopień wejściowy i wyjściowy do jednej liczby, tracąc informacje o asymetrii relacji.
- Interpretowanie wyników centralności w sieciach z mniej niż 20 węzłami tak, jakby były statystycznie wiarygodne — poniżej tego progu wyniki są jedynie opisowe i nie powinny być używane do wyciągania wniosków inferencyjnych.
Najczęściej zadawane pytania
Której miary centralności powinienem użyć?
Wybór zależy od Twojego pytania merytorycznego. Użyj centralności stopnia, aby zidentyfikować węzły z największą liczbą bezpośrednich połączeń. Użyj centralności pośrednictwa, aby znaleźć pośredników kontrolujących przepływ informacji między częściami sieci. Użyj centralności bliskości, aby zidentyfikować węzły, które mogą szybko dotrzeć do wszystkich innych. Użyj centralności wektora własnego lub PageRank, gdy prestiż sąsiadów węzła ma takie samo znaczenie, jak ich liczba. Zazwyczaj bardziej informacyjne jest przedstawienie dwóch lub trzech uzupełniających się indeksów i porównanie rankingów niż poleganie na pojedynczej miarze.
Czy analiza centralności może być stosowana do sieci skierowanych?
Tak. W sieci skierowanej stopień wejściowy i stopień wyjściowy są obliczane i interpretowane oddzielnie: stopień wejściowy odzwierciedla, jak często węzeł jest wybierany lub cytowany przez innych, podczas gdy stopień wyjściowy odzwierciedla, jak wielu innych osiąga lub do kogo się odnosi. Pośrednictwo i bliskość również mają warianty skierowane. Centralność wektora własnego w grafach skierowanych zazwyczaj wykorzystuje dominujący lewy lub prawy wektor własny, w zależności od tego, czy prestiż przepływa do węzła, czy od niego.
Jaki jest minimalny rozmiar sieci potrzebny do uzyskania znaczących wyników?
Rejestr statystyczny określa minimum 10 węzłów dla każdego obliczenia centralności, a znacząca interpretacja statystyczna wymaga co najmniej 20. Poniżej 20 węzłów ranking niewielkiej liczby węzłów nie uogólnia się, a opisowe statystyki sieciowe są bardziej uczciwym wyborem.
Jak postępować z grafem niepołączonym?
Miary oparte na ścieżkach — pośrednictwo i bliskość — są niezdefiniowane między węzłami w różnych komponentach. Standardowym podejściem jest analiza każdego spójnego komponentu oddzielnie lub ograniczenie bliskości do osiągalnych węzłów i odpowiednie normalizowanie. Centralność stopnia i centralność wektora własnego nie wymagają spójności i mogą być obliczane dla całego grafu.
Pokrewne metody
Źródła
Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.
Otwórz odnośnik DOISkopiowano.Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.
Otwórz odnośnik DOISkopiowano.