Skip to content
Voltar aos resultados

Análise de Centralidade — Grau, Intermediação, Autovetor

Proposto por
Linton C. Freeman
Ano
1979
Tipo
Descriptive / exploratory network measure family

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A análise de centralidade é uma família de medidas analíticas de rede, formalizada por Freeman (1979), que quantifica a importância estrutural de nós individuais dentro de um grafo.

Cada índice de centralidade captura um mecanismo distinto de influência: a centralidade de grau reflete a conectividade direta, a centralidade de intermediação identifica nós que intermediam o fluxo de informação, a centralidade de proximidade captura a proximidade a todos os outros, e a centralidade de autovetor (juntamente com o PageRank) recompensa a conexão a vizinhos altamente conectados.

A intuição por trás do método

Nem todo nó em uma rede é igualmente importante. Uma cidade pela qual muitas estradas passam é mais crítica para o tráfego do que uma que fica no final de uma rua sem saída, mesmo que ambas as cidades tenham o mesmo número de ligações rodoviárias diretas. As medidas de centralidade traduzem essa intuição em números. A centralidade de grau simplesmente conta quantos vizinhos um nó tem. A centralidade de intermediação conta quantas vezes um nó se encontra no caminho mais curto entre cada outro par, revelando os intermediários. A centralidade de proximidade mede quão rapidamente um nó pode alcançar todos os outros. A centralidade de autovetor pondera a contribuição de cada vizinho pela centralidade desse vizinho, de modo que ser conectado a nós influentes importa mais do que o número puro. Cada medida responde a uma pergunta diferente sobre quem ou o quê é mais importante na rede.

História

Freeman (1979) forneceu a clarificação conceitual fundamental do campo, unificando três ideias anteriormente dispersas — grau, intermediação e proximidade — sob um único quadro teórico para a centralidade em redes sociais. Borgatti (2005) estendeu o quadro ao vincular cada tipo de centralidade a modelos específicos de fluxo de rede, dando às medidas uma base teórica mais clara. A centralidade de autovetor tinha raízes anteriores na análise espectral de matrizes e foi posteriormente operacionalizada para redes; o PageRank do Google (1998) é seu descendente aplicado mais conhecido.

Quando usar

A análise de centralidade aplica-se sempre que dados relacionais podem ser representados como um grafo e a questão se refere a quais nós são estruturalmente mais importantes. É utilizada em análise de redes sociais, bibliometria, biologia, transporte e pesquisa em sistemas de informação. Nenhuma suposição de normalidade é necessária, e o método é adequado para dados de rede transversais e longitudinais. A rede deve estar conectada, ou os componentes devem ser analisados separadamente, para que medidas baseadas em caminhos, como intermediação e proximidade, sejam bem definidas. Pelo menos 10 nós são necessários para que os escores sejam interpretáveis, e pelo menos 20 para que as classificações de centralidade sejam estatisticamente significativas. Redes ponderadas requerem uma definição de peso teoricamente fundamentada antes que a centralidade seja computada.

Limitações e considerações

  • A centralidade de intermediação tem complexidade computacional O(VE), tornando-a cara em redes muito grandes.
  • Medidas baseadas em caminhos (intermediação, proximidade) são indefinidas ou requerem tratamento especial em grafos desconectados.
  • Os escores de centralidade são sensíveis à escolha da definição de peso da aresta em redes ponderadas; um peso mal escolhido distorce todos os índices.
  • Com menos de 20 nós, as medidas carecem de poder estatístico e devem ser tratadas como descrições exploratórias em vez de resultados inferenciais.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Cada índice captura um mecanismo distinto de importância estrutural, fornecendo um retrato multidimensional da rede.
  • Nenhuma suposição de distribuição é necessária; o método funciona em qualquer grafo, independentemente do tipo de variável.
  • A centralidade de grau e de autovetor escala eficientemente para grafos muito grandes; a centralidade de grau é computada em O(V+E).
  • Amplamente suportado em diversas disciplinas — da sociologia e biologia à ciência da computação — tornando os resultados amplamente comunicáveis.

Aplicações

  • Identificação de líderes de opinião chave e intermediários de informação em redes sociais e organizacionais.
  • Mapeamento da influência científica através do cálculo da centralidade em redes de coautoria ou citação.
  • Localização de nós críticos de infraestrutura em redes de transporte, redes de energia e topologias de internet.
  • Priorização de alvos de vacinação ou monitoramento em redes epidemiológicas, identificando disseminadores com alta intermediação.
  • Detecção de intermediários em redes de cadeia de suprimentos e financeiras para avaliar o risco sistêmico.

Como funciona

Como funciona

1

Um grafo é montado a partir dos dados relacionais: os nós representam entidades (pessoas, instituições, páginas da web) e as arestas representam as relações ou interações entre elas. O analista decide se as arestas são direcionadas ou não direcionadas e se carregam pesos. Em redes direcionadas, o grau de entrada e o grau de saída são computados separadamente e interpretados de forma diferente. A validade dos escores de centralidade depende inteiramente de a estrutura do grafo ser uma representação fiel das relações do mundo real sob estudo.

2

O analista escolhe qual índice de centralidade — ou combinação de índices — corresponde à questão substantiva. A centralidade de grau é apropriada quando a conectividade bruta é de interesse. A centralidade de intermediação é escolhida quando o foco está na intermediação e no controle de informações, ao custo de um esforço computacional maior (O(VE)) em grafos grandes. A centralidade de proximidade é significativa quando a rede está conectada ou quando os componentes são analisados separadamente. A centralidade de autovetor ou o PageRank é selecionado quando o prestígio e a influência recursiva importam. Para redes ponderadas, a definição do peso deve ser teoricamente significativa antes que qualquer índice seja computado.

3

Cada índice selecionado é calculado sobre o grafo. A centralidade de grau é normalizada dividindo o grau bruto por (n-1). A centralidade de intermediação conta os caminhos mais curtos através de cada nó e é normalizada pelo número total de pares de nós. A centralidade de proximidade é o recíproco da distância média mais curta de um nó a todos os nós alcançáveis. A centralidade de autovetor é resolvida como o autovetor principal da matriz de adjacência e requer iteração para convergência. Os nós são classificados por cada escore, e a distribuição dos escores é inspecionada quanto à concentração.

4

Os escores de centralidade e as classificações resultantes são interpretados no contexto substantivo do estudo. Nós de alto grau são hubs bem conectados; nós de alta intermediação são pontes estruturais ou intermediários; nós com alta proximidade podem espalhar informações rapidamente; nós de alto autovetor estão embutidos em vizinhanças influentes. Múltiplos índices são comparados para revelar nós que se classificam bem em uma dimensão, mas não em outra, o que é frequentemente a descoberta mais interessante teoricamente. Redes com menos de 20 nós produzem escores de centralidade estatisticamente escassos e devem ser tratadas como puramente descritivas.

Erros comuns

  • Aplicar intermediação ou proximidade a um grafo desconectado sem primeiro decompô-lo em componentes produz escores indefinidos ou enganosos para nós isolados.
  • Tratar todos os cinco índices de centralidade como intercambiáveis — cada um responde a uma pergunta diferente, e selecionar o índice errado para a hipótese substantiva é um erro comum.
  • Ignorar a direção da aresta em redes direcionadas colapsa o grau de entrada e o grau de saída em um único número, perdendo informações sobre a assimetria das relações.
  • Interpretar escores de centralidade em redes com menos de 20 nós como se fossem estatisticamente robustos — abaixo desse limiar, os escores são apenas descritivos e não devem ser usados para tirar conclusões inferenciais.

Perguntas frequentes

Qual medida de centralidade devo usar?

A escolha depende da sua questão substantiva. Use a centralidade de grau para identificar nós com as conexões mais diretas. Use a centralidade de intermediação para encontrar intermediários que controlam o fluxo de informações entre partes da rede. Use a centralidade de proximidade para identificar nós que podem alcançar todos os outros rapidamente. Use a centralidade de autovetor ou PageRank quando o prestígio dos vizinhos de um nó importa tanto quanto o seu número. Relatar dois ou três índices complementares e comparar as classificações é geralmente mais informativo do que confiar em uma única medida.

A análise de centralidade pode ser aplicada a redes direcionadas?

Sim. Em uma rede direcionada, o grau de entrada e o grau de saída são computados e interpretados separadamente: o grau de entrada reflete quantas vezes um nó é escolhido ou citado por outros, enquanto o grau de saída reflete quantos outros ele alcança ou referencia. A intermediação e a proximidade também têm variantes direcionadas. A centralidade de autovetor em grafos direcionados geralmente usa o autovetor esquerdo ou direito dominante, dependendo se o prestígio flui para ou de um nó.

Qual é o tamanho mínimo de rede necessário para resultados significativos?

O registro estatístico especifica um mínimo de 10 nós para qualquer cálculo de centralidade, e a interpretação estatística significativa requer pelo menos 20. Abaixo de 20 nós, a classificação de um punhado de nós não generaliza, e estatísticas descritivas de rede são a escolha mais honesta.

Como lidar com um grafo desconectado?

Medidas baseadas em caminhos — intermediação e proximidade — são indefinidas entre nós em componentes diferentes. A abordagem padrão é analisar cada componente conectado separadamente, ou restringir a proximidade a nós alcançáveis e normalizar de acordo. A centralidade de grau e de autovetor não requer conectividade e pode ser computada no grafo completo.

Métodos relacionados

Fontes

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

    Abrir referência DOI
    Copiado.
  2. Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.

    Abrir referência DOI
    Copiado.