个人网络分析 — 自我网络分析
- 提出者
- Ronald S. Burt (structural holes framework); Peter V. Marsden (egocentric measures)
- 年份
- 1992 (Burt); foundational measurement formalised by Marsden 2002
- 类型
- Descriptive / relational network analysis
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
个人网络分析通过绘制核心个体(自我)的直接联系人(他人)及其联系人之间共享的联系,来考察该核心个体的个人网络。该方法通过 Ronald Burt 的结构洞框架 (1992) 和 Marsden 的以自我为中心的测量方法 (2002) 正式化,生成了网络规模、密度、约束和中介角色等自我层面的指标,揭示了每个个体的社会地位如何影响其获取信息、资源和影响力的途径。
方法背后的直觉
可以设想每个人都处于一个关系网的中心。有些人是联系广泛的枢纽,他们的联系人彼此都认识,形成一个紧密的群体。另一些人则处于本不会有联系的群体之间——Burt 称之为结构洞。充当结构洞之间的桥梁,使个人能够独特地接触到多样化的信息,并拥有建立联系的中介能力。个人网络分析可以从关于每个人命名的联系人以及这些联系人是否相互认识的数据中,使这些位置优势和劣势可见并可衡量。
历史学
个人网络分析的理论基础由 Ronald Burt 在《结构洞》(1992) 中奠定,他认为跨越不相连群体的个体比嵌入密集、冗余群体中的个体具有信息和中介优势。Marsden (2002) 系统化了以自我为中心的测量方法,阐明了如何从名称生成器调查数据中计算网络规模、密度和中心性指标。该方法建立在 Wellman 等人在 20 世纪 70 年代和 80 年代早期个人网络研究的社会学传统之上,此后通过 R 语言中的 egor 等软件生态系统得到了扩展,这些软件标准化了三文件数据结构(自我、他人、他人-他人联系)。
何时使用
当研究问题关注个体局部网络结构——而非完整网络的全局拓扑结构——如何影响结果时,个人网络分析是适用的。它适用于描述性、探索性和关系性研究设计,并且可以处理通过调查或观察收集的二元、连续或分类联系属性。该方法需要每个自我的他人名单和他人-他人联系数据;没有他人-他人信息,则无法计算结构洞和密度指标。为了进行任何有意义的分析,至少需要大约 10 个自我,而少于 20 个自我则将解释限制在描述性摘要。网络指标本身不适用正态性假设,尽管下游的回归或相关性分析有其自身的假设。
局限与注意事项
- 他人-他人联系数据增加了调查负担;受访者可能低报或忘记其联系人之间的连接。
- 自我网络受受访者意识的限制——超出自我认知图谱的联系人对该方法是不可见的。
- 网络规模受认知限制(根据 Dunbar 数大约为 150 个他人),因此很少能完全捕捉到非常大的个人网络。
- 基于调查的数据会引入代表性偏差:社会边缘化个体可能被系统性地低估。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 无需完整网络数据即可在个体层面捕捉结构位置。
- Burt 的约束指数提供了一个有理论依据的量化结构优势度量,可以预测职业流动和信息获取等实际结果。
- 灵活的数据收集:可与调查名称生成器、观察到的交互日志或档案联系记录配合使用。
- 适用于人际关系重要的社会、健康、组织和经济研究。
应用
- 研究组织内部网络中员工的职位如何预测其获取新信息和职业发展的途径。
- 公共卫生研究,考察患者或社区成员的个人网络如何促进或阻碍健康行为的改变。
- 创新研究,识别哪些科学家或企业家能够跨越结构洞,从而充当跨学科的知识中介。
- 政治社会学,探索选民的网络构成(党派同质性与跨越性联系)与政治观点形成的关系。
- 发展经济学,评估农民的个人网络结构如何影响技术采纳和风险分担。
使用方式
使用方式
使用名称生成器工具——一种调查或观察协议,要求受访者列出他们的联系人(他人),然后评估这些他人对中的哪些对之间存在联系(他人-他人联系)——为每个自我收集个人网络数据。这种两层数据收集为每个受访者产生一个自我名单和一个他人-他人邻接矩阵。
对于每个自我,构建一个由自我节点加上所有命名的他人以及它们之间的边组成的子图。这个自我图从核心个体的视角捕捉了局部邻域结构,并且是所有后续指标的测量单位。
在每个自我图上计算结构指标:网络规模(他人数量)、密度(存在的可能他人-他人联系的比例)、Burt 的约束指数(自我的联系人相互连接的紧密程度,限制了获取非冗余信息的途径)以及中介角色(自我在原本不相连的他人之间进行调解的频率)。低约束指数表明存在许多结构洞和更大的中介机会。
对每个自我层面的指标进行个体间的比较,或与职业发展、信息多样性或创新等结果变量进行相关性分析。规模和密度的模式揭示了凝聚力与覆盖范围的权衡,而约束指数量化了跨越不相连群体的结构优势。当可用的自我数量少于 20 个时,描述性统计是适当的备选方案。
常见陷阱
- 收集他人名单但缺少他人-他人联系信息,将导致密度和约束无法测量——务必包含他人-他人邻接步骤。
- 将自我网络密度和约束视为可互换是错误的:密度衡量他人之间的凝聚力,而约束衡量这些他人对自我获取新信息的途径的限制程度。
- 对每个自我节点少于 10 个的网络应用自我网络指标会产生不稳定的估计值;仅将结果视为探索性的。
- 忽略名称生成器调查中的代表性偏差——低地位或孤立的个体可能产生较小的他人名单,并非因为他们的网络较小,而是因为回忆能力较低。
常见问题
运行个人网络分析需要什么数据?
您需要为每个核心受访者(自我)提供两个层面的数据:首先,通过名称生成问题收集的联系人(他人)列表;其次,关于这些他人对之间相互连接的信息(他人-他人联系),通常通过名称解释器后续收集。没有他人-他人数据,您可以测量网络规模,但无法计算密度、约束或结构洞。
什么是约束指数?它为什么重要?
Burt 的约束指数衡量自我联系人之间的相互连接程度。高约束分数意味着自我的他人彼此相连,因此自我从多个冗余来源获取相同信息,并且中介能力很弱。低约束分数表明存在许多结构洞——自我跨越了不相连的群体,获得了信息多样性和中介优势。该指数是根据 Burt 的公式在自我图邻接矩阵上计算得出的。
个人网络分析与整体网络分析有何不同?
整体网络(社会中心)分析需要定义群体中所有成员的完整关系数据,并计算整个网络中的中心性等全局指标。个人网络分析仅需要每个受访者的局部邻域——他人和他人-他人联系——这使得它对于收集完整网络数据不可行的庞大或跨界群体来说是实用的。其权衡是,自我层面的指标是局部限制的,无法揭示全局网络拓扑。
如果我的自我数量少于 20 个,该怎么办?
当自我数量少于 20 个时,个人网络指标会变得不稳定,推断性分析也不可靠。建议的备选方案是描述性统计:将网络规模和密度分布作为摘要报告,而不是作为回归或比较检验的输入,并将结果视为探索性的,待样本量增大后再进行深入分析。
相关方法
参考文献
Burt, R.S. (1992). Structural Holes: The Social Structure of Competition. Harvard University Press.
ISBN:9780674843714已复制。Marsden, P.V. (2002). Egocentric and Sociocentric Measures of Network Centrality. Social Networks, 24(4), 407-422.
打开 DOI 文献已复制。