Manual Tutorial Ucinet 6

3. Calcular con Ucinet

   Ucinet dispone de una amplia cantidad de funciones para poder calcular las principales propiedades estructurales de las redes sociales. En este manual vamos a presentar y explicar la forma de cálculo de las principal2.6. Importar matriz con datos existentes.

El programa admite la posibilidad de importar matrices pre-existentes en una amplia variedad de formatos. Los tipos de formatos que se pueden importar en UCINET son de “.xls” (archivos de Excel, tanto en formato DL como en formato de matriz), “.txt” (archivos DL, VNA, Pajek, Krackplot, Negopy, etc.). Como todos los programas, para abrir una matriz existente se debe ir a File y luego Open y buscar en los documentos una matriz previamente guardada por el usuario. Del mismo modo, para guardar una matriz debe ir a File, luego Save as y escribir un nombre para la matriz.

Para recuperar datos desde Excel, por ejemplo, se debe seleccionar el área de copiado de Excel y luego “Copiar”. En seguida, con Spreadsheet abierto, se debe seleccionar la celda a partir de la cual se requiere pegar y se debe ir a Edit y luego Paste. Otra forma de recuperar los datos desde Excel es utilizando el módulo de trabajo integrado con Excel al que se accede mediante el ícono que está a la izquierda del que se utiliza para entrar a Spreadsheet.

3.1 Distancia (Geodesic Distance)
 En teoría de grafos, se denomina distancia entre dos vértices de un grafo al número de vértices mínimo que debe recorrerse para unirlos. La distancia entre dos nodos de un grafo es la longitud del camino más corto (a veces se denomina geodésico). Si no hubiera conexión alguna entre dos vértices se dice que la distancia es infinita. Las distancias de todos los vértices de un grafo se computan en lo que se denomina matriz de distancias.

Para calcular la distancia geodésica entre cada par de actores de la red, se debe ir a Network > Cohesion > Geodesic Distance.

Imagen 3.1.1. Calcular distancias geodésicas en UCINET (a)

Aparecerá un segundo cuadro de diálogo para elegir el set de datos a utilizar para el cálculo (1), elegir el sitio donde guardar el cálculo del indicador (2), opciones de transformación de los resultados (3) y opciones para representar las distancias no definidas (4).
Imagen 3.1.2. Calcular distancias geodésicas en UCINET (b)

Los resultados de este procedimiento son de tres tipos:

• Frecuencias del tipo de distancia geodésica encontrada (1)
• Media y desviación estándar (2) de las distancias geodésicas.
• Matriz de distancias geodésicas (3), donde en cada cruce entre dos actores (cruce fila columna) figura un número que representa la distancia geodésica entre ellos dos.

Imagen 3.1.3. Resultados del cálculo de las distancias geodésicas

3.2 Densidad (Density)
    La densidad de una red (binaria) es la cantidad de relaciones observadas por la cantidad total de relaciones posibles. Para calcular la densidad, se debe ir al menú Network > Cohesion > Density. Existe la posibilidad de calcular la densidad de la matriz en su conjunto o por segmentos de nodos dentro de la matriz, seleccionados por compartir determinados atributos.

Imagen 3.2.1. Calcular densidad de una red con UCINET (a)

Una vez seleccionada la alternativa aparece un cuadro de solicitud de datos para el cálculo. Se deben buscar los datos (capturados previamente en Spreadsheet) y seleccionarlos (1), indicar donde guardar los resultados del cálculo (2) y finalmente “OK” (3).
Imagen 3.2.2. Calcular densidad de una red con UCINET (b)

      El resultado de la operación, al igual que la mayoría de los cálculos de Ucinet, se devuelve en una nueva ventana, en formato de archivo de texto. Los tipos de resultados que arroja este procedimiento son:

• Densidad de la red (columna 1).
• Número de relaciones en la red (columna 2).
• Grado medio en la red (columna 3).

Imagen 3.2.3. Resultados del cálculo de la densidad de una red con UCINET


     Si interesa calcular la desviación estándar de la densidad de la red, se debe utilizar otro comando dentro de las opciones de densidad: Cohesion > Density > Old Density procedure.
Imagen 3.2.4. Cálculo de la densidad de red con el comando Old Density procedure (a)

      La selección de la matriz de la cual se quiere tener la densidad y desviación estándar es similar a la anteriormente presentada. Para ello, se indica y se busca la matriz sobre la cual se realizará el cálculo (1) y se indica el destino donde se guardarán los resultados (2).
Imagen 3.2.5. Cálculo de la densidad de red con el comando Old Density procedure (b)

Luego se presiona OK y aparece la siguiente ventana que contiene dos tipos de información:

• Densidad media de la matriz (1).
• Deviación estándar de la densidad media de la matriz (2).

Imagen 3.2.6. Resultados del cálculo de la densidad de red con el comando Old Density procedure

3.3 Centralidad (Centrality)
     Uno de los principales usos analíticos para acercarse a las redes sociales es la identificación de los actores “más importantes de la red”. Para lograr este propósito existe una amplia variedad de medidas que nos ofrecen diferentes formas de entender los actores más importantes o centrales. Vamos a presentar a continuación algunas de las medidas de centralidad más relevantes:
3.3.1 Centralidad de Grado (Degree Centrality)

La alternativa más básica para medir la centralidad de los actores corresponde al  número de lazos directos de un actor. Si se especifica la dirección se puede hablar de grado de entrada (indegree) o número de lazos que llegan a un nodo y grado de salida (outdegree) o número de lazos que salen de un nodo.
Para el cálculo de la centralidad se procede de la misma manera que en los casos anteriores. En el menú: Network > Centrality and Power > Degree.
Imagen 3.3.1.1. Cálculo de la centralidad de grado en UCINET (a)

En la ventana que aparece a continuación, se selecciona el archivo de red sobre la que se realizará el cálculo de la centralidad de grado (1), la ubicación donde se guardarán los resultados del cálculo (2); además, esta ventana presenta otras opciones que se pueden indicar, como el tipo de red que se introduce (dirigida, no dirigida, auto-detectar) (3), el tipo de resultado que se desea obtener (bruto o porcentajes) (4) y otras opciones para tener en cuenta el peso de los vínculos y los vínculos a uno mismo (5).
Imagen 3.3.1.2. Cálculo de la centralidad de grado en UCINET (b)

Los resultados que arroja este procedimiento contiene información sobre:

• Grado de cada actor, en formato bruto (número de relaciones directas de cada actor) (columna 1)
• Grado de cada actor, en formato normalizado, como porcentaje (columna 2)

Imagen 3.3.1.3. Resultados del cálculo de la centralidad de grado en UCINET

Si se desean conocer los estadísticos descriptivos del grado de centralidad, se debe utilizar el procedimiento Network>Centrality and Power>_Degree (old).
 Imagen 3.3.1.4. Cálculo de la centralidad de grado con _Degree (old) en UCINET (a)

En la ventana que aparece, se elige el archivo de datos relacionales en base al cual se calculará el grado de centralidad (1), se especifica si la matriz es simétrica o no (2), si se debe tener en cuenta los valores de la diagonal para el cálculo (3) y la ubicación del archivo de resultados (4).
Imagen 3.3.1.5. Cálculo de la centralidad de grado con _Degree (old) en UCINET (b)

 La ventana de resultados que arroja este procedimiento ofrece distintos tipos de información:

• Tabla de centralidad de grado de cada uno de los actores (1), que contiene:
• Grado de centralidad en formato bruto (columna 1), como número de relaciones directas que tiene cada actor.
• Grado de centralidad en formato normalizado (columna 2).
• Proporción que el grado de cada actor tiene en el grado de centralidad total de la red (columna 3).
• Tabla de estadísticas descriptivas, identificados como DESCRIPTIVE STATISTICS (2) y que contiene información sobre: la media (Mean); la desviación estándar (Std Dev); la suma (Sum) de todas las relaciones; el Mínimo (Minimum) y el Máximo (Maximum).

Imagen 3.3.1.6. Resultados del cálculo de la centralidad de grado con _Degree (old) en UCINET

3.3.2 Centralidad de Grado de Cercanía (Closeness Centrality)

Por centralidad de cercanía se entiende el índice de la cercanía de un nodo con el resto de la red. Para ello se calcula la suma de los geodésicos (o caminos más cortos) que unen a cada vértice o nodo con el resto (esto es, su farness, lejanía) y se calcula su inversa.

Para calcular el Grado de cercanía, se debe seguir la siguiente ruta: Network>Centrality>Closenness Measures
Imagen 3.3.2.1. Cálculo de la centralidad de grado de cercanía en UCINET (a)

En la ventana que aparece a continuación, se indica el archivo de red con el que se trabajará (1), la ubicación donde se guardarán los resultados obtenidos (2) y una serie de opciones con respecto al procedimiento de cálculo:

• Opciones Freeman (3) y formato de resultados (4), para asignar un valor a las distancias no definidas.
• Opciones para las distancias reciprocas (5) y formato de resultados (6), para gestionar las distancias no definidas.
• Opciones Valente-Forman (7) y formato de resultados (8), para gestionar las distancias no definidas.

Imagen 3.3.2.2. Cálculo de la centralidad de grado de cercanía en UCINET (b)

Los resultados que arroja este procedimiento contiene una tabla con tres columnas que representa, respectivamente, el grado de cercanía calculado según las Opciones Freeman (columna 1), el grado de cercanía según las Opciones de distancias reciprocas (columna 2) y el grado de cercanía según las Opciones Valente-Forman (columna 3).
Imagen 3.3.2.3. Resultados del cálculo de la centralidad de grado de cercanía en UCINET

La otra forma que UCINET presenta para calcular el grado de cercanía nos da la posibilidad de conocer el indicador de lejanía (Farness), que es la suma de la distancia (por diversos enfoques) de cada ego a todos los otros actores de la red. El indicador Farness se transforma en Nearness (Closeness) como la inversa de la lejanía. Es decir, la cercanía = 1/lejanía. El procedimiento a utilizar es: Network > Centrality and Power > Closeness (old).
 Imagen 3.3.2.4. Cálculo de la centralidad de grado de cercanía con Closeness (old)  en UCINET (a)

En la ventana que aparece a continuación, se eligen el archivo de datos con el que se trabajará (1), el tipo de algoritmo utilizado para calcular el grado de cercanía (2), la ubicación donde se guardará el archivo de resultados (3) y el valor a asignar a las distancias no definidas (4):

Imagen 3.3.2.5. Cálculo de la centralidad de grado de cercanía con Closeness (old)  en UCINET (b)

Los resultados que arroja este procedimiento de cálculo del grado de cercanía contienen los siguientes tipos de información:

• Tabla de grado de cercanía para cada uno de los actores (1), que contiene:
• Valores del grado de lejanía (Farness) para cada actor (columna 1).
• Valores del grado normalizado de cercaía (nCloseness) para cada actor (columna 2).
• Tabla de estadísticas descriptivas para el grado de lejanía y el grado de cercanía (2).

Imagen 3.3.2.6. Resultados del cálculo de la centralidad de grado de cercanía con Closeness (old) en UCINET

3.3.3 Centralidad de Grado de Intermediación (Betweenness Centrality)

    La centralidad de intermediación se mide en función de las veces que un actor está en el camino de pares de actores dentro de una red; es decir, el número de veces que un actor intermedia entre otros dos actores de la red.  

Para calcular el grado de intermediación, se utiliza el procedimiento Network > Centrality and Power > Freeman Betweenness > Node Betweenness.
Imagen 3.3.3.1. Cálculo de la centralidad de grado de intermediación en UCINET (a)

En la ventana que aparece a continuación, se elige el archivo de datos relacionales con el que se trabajará (1) y la ubicación del archivo de resultados obtenidos a través de este procedimiento (2).

Imagen 3.3.3.2. Cálculo de la centralidad de grado de intermediación en UCINET (b)

Los resultados obtenidos a través de este procedimiento de cálculo comprenden, igual que en el caso de los indicadores anteriores, varios tipos de información:

• Tabla del grado de intermediación (1) para cada uno de los actores, que contiene:
• El grado de intermediación en formato bruto para cada uno de los actores de la red (columna 1).
• El grado de intermediación en formato normalizado para cada uno de los actores de la red (columna 2).
• Tabla de estadísticas descriptivas del grado de intermediación (2).
• Índice de centralización de la red (3).

Imagen 3.3.3.3. Resultados del cálculo de la centralidad de grado de intermediación en UCINET

3.3.4 Centralidad de Bonacich

Una aproximación más compleja a la centralidad de los actores nos lo proporciona el índice de centralidad de Bonacich. Dada una configuración de red de actores relacionados, este índice determina la centralidad de uno de los actores en relación a la centralidad de los actores a los cuales está conectado.

Existen dos maneras de calcular e interpretar el Poder de Bonacich. Por un lado, utilizando el parámetro positivo, que otorga poder a un nodo, en la medida en que los nodos, a los cuales está conectado, tengan mayor centralidad. Por otro lado, la alternativa negativa, que otorga poder en la medida en que ese entorno tenga menor centralidad.

El parámetro beta es seleccionado por el usuario. Deben seleccionarse valores negativos si el poder individual se ve incrementado por estar conectado a nodos con bajo poder y valores positivos en caso contrario. Para calcular el poder de Bonacich, se utiliza el procedimiento Network > Centrality and Power > Bonacich Power (Beta centrality).
Imagen 3.3.4.1. Cálculo de la centralidad de Bonacich en UCINET (a)

En la ventana a continuación, se elige el archivo de datos relacionales con el que se trabajará (1), la ubicación donde se guardará el archivo de resultados del cálculo realizado (2), varias opciones de cálculo: opciones del método computacional (3), opciones del método normalizado (4) y el valor del parámetro β (5).

Imagen 3.3.4.2. Cálculo de la centralidad de Bonacich en UCINET (b)

Este procedimiento de cálculo arroja distintos tipos de información:

• El valor del coeficiente β (1), utilizado en el cálculo.
• Tabla de la centralidad de Bonacich (2) para cada uno de los actores de la red, que contiene:
• La centralidad de Bonacich en formato bruto (columna 1).
• La centralidad de Bonacich en formato normalizado (columna 2).

Imagen 3.3.4.3. Resultados del cálculo de la centralidad de Bonacich en UCINET

3.3.5 Centralidad de Eigenvector

El enfoque del Eigenvector se centra en encontrar a los actores más centrales (es decir, los que tienen la medida de lejanía más pequeña con respecto a los demás) en términos de la estructura "global" o "general" de la red, prestando menos atención a los patrones que son más locales.

El procedimiento en Ucinet para calcular este indicador es: Network>Centrality and Power>Eigenvector.
 Imagen 3.3.5.1. Cálculo de la centralidad de Eigenvector en UCINET (a)

En la ventana que aparece a continuación, se elige el archivo con el que se trabajará (1), el método de cálculo del Eigenvector (2) y la ubicación donde se guardará el archivo de resultados obtenidos (3).
Imagen 3.3.5.2. Cálculo de la centralidad de Eigenvector en UCINET (b)

Los resultados que arroja este procedimiento de cálculo contienen varios tipos de información:

• Tabla de las variables utilizadas para el cálculo del Eigenvector (1).
• Tabla de la centralidad de Eigenvector (2), para cada uno de los actores de la red:
• Centralidad de Eigenvector en formato bruto (columna 1).
• Centralidad de Eigenvector en formato normalizado (columna 2).
• Tabla de estadísticas descriptivas de la centralidad de Eigenvector (3).

Imagen 3.3.5.3. Resultados del cálculo de la centralidad de Eigenvector en UCINET

Las puntuaciones más altas indican que los actores son "más centrales" para el patrón principal de las distancias entre todos los actores, mientras que los valores más bajos indican que los actores son más periféricos. Por lo general, el enfoque del Eigenvector nos da una versión "más limpia" de las medidas de centralidad de cercanía. Lo interesante es utilizar los dos procedimientos para calcular el grado de cercanía de los actores y comparar los valores obtenidos

3.4 Grupos y subestructuras.
Una parte muy central del análisis de redes sociales es la identificación de "subestructuras" que pueden estar presentes en una red. Se trata de comprender la forma en la que las conexiones están compuestas y se extienden para desarrollar "cliques" más grandes o subagrupaciones. Esta perspectiva de la estructura social se centra en cómo la solidaridad y la conexión de grandes estructuras pueden ser construidas a partir de componentes pequeños y cohesionados: un tipo de aproximación de abajo hacia arriba.

La identificación de subestructuras, o grupos, o cliqués, en una red es una metodología muy poderosa la comprensión de la estructura social y las formas de imbricación de los individuos. Un clique representa un subconjunto de actores que están más fuertemente conectados entre sí que lo que lo están con otros actores que no forman parte del grupo.

A continuación se presentan las principales rutinas de UciNet para la identificación de subestructuras en una red: análisis de cliques; identificación de componentes, bloques y puntos de corte y el análisis de facciones en una red.

3.4.1. Cliques

La definición de un clique es bastante simple: se trata de un subconjunto de una red en el cual los actores están más cercana y fuertemente conectados entre sí que lo que lo están con respecto al resto de los integrantes de la red.

Para realizar un análisis de cliques con UCINET, se debe realizar la siguiente rutina: Network >Subgroups>Cliques, como en la imagen a continuación.

Imagen 3.4.1.1. Cálculo de cliques (a)

En la ventana que aparece a continuación se selecciona la matriz sobre la cual se realizarán los cálculos (1), se indica el número mínimo de actores que queremos que contengan los subgrupos identificados (2) y la ubicación para guardar los cálculos realizados (3, 4, 5, 6):

Imagen 3.4.1.2. Cálculo de cliques (2)

Los resultados de este análisis contienen información sobre número de cliques identificados y composición de los mismos (1), una matriz de porcentajes de participación de cada actor en cada clique identificado (2), una matriz de co-pertenencia de los actores en cada uno de los cliques (3), un agrupamiento jerárquico de la matriz de co-pertenencia (4), una matriz de co-incidencia de actores en los diferentes cliques (5) y un agrupamiento jerárquico de la matriz de co-pertenencia de los cliques (6).
Imagen 3.4.1.3. Resultados del cálculo de identificación de cliques

3.4.2. Componentes

El concepto de componentes de un grafo se refiere a las partes que están internamente conectadas, pero desconectadas entre los subgrafos. Si una red contiene uno o más actores aislados o no conectados con el resto, estos actores son componentes. La noción de componente es muy útil para encontrar puntos débiles significativos, agujeros o subpartes locales densas en un grafo grande.

Para realizar un análisis de los componentes existentes en una red, se utiliza la siguiente rutina: Network >Components. En función del tipo de red que estamos analizando (binaria, simple o con valores), se elige una de las opciones que se despliegan. En la siguiente imagen, se presenta la rutina de cálculo de los componentes de una red:

Imagen 3.4.2.1. Cálculo de los componentes de una red (a)

En la ventana que aparece a continuación, se elige la matriz de datos relacionales con la que se trabajará (1), se elige la ubicación de los resultados a guardar (2 y 3); para matrices dirigidas, se puede elegir calcular los componentes débiles o fuertes (4) y para las matrices con datos de una única relación, se puede elegir calcular también matriz de pertenencia de cada nodo a cada componente (5).
Imagen 3.4.2.2. Cálculo de los componentes de una red (b)

Los resultados del análisis de componentes describe el número de componentes identificados (1), el número de actores contenido en cada uno (2), el porcentaje de actores del componente (3) y la composición por actores de cada uno de los componentes (4).
Imagen 3.4.2.2. Resultados del cálculo de los componentes de una red

3.4.3. Bloques y puntos de corte

El enfoque de los bloques y puntos de corte se basa en la pregunta de qué pasará si al ser eliminado un nodo de la estructura, ésta se dividirá en partes desconectadas. Si estos nodos existen, ellos se llaman puntos de corte. Estos puntos de corte son actores muy importantes en la red, ya que actúan como intermediarios entre grupos desconectados. Los subgrupos que estos puntos de corte producen en la red se llaman bloques.

La rutina que UCINET utiliza para calcular los bloques y puntos de corte de una red es: Network>Regions>Bi-component y se presenta en el cuadro a continuación:

Imagen 3.4.3.1. Cálculo de bloques y puntos de corte (a)

En la ventana a continuación, se elige la matriz de datos con la que se trabajará (1) y la ubicación de los cálculos realizados (2 y 3).
Imagen 3.4.3.2. Cálculo de bloques y puntos de corte (b)

El resultado de la aplicación de este procedimiento identifica el número de bloques en una red (1), su composición por actores (2) y los puntos de cortes existentes (3).
Imagen 3.4.3.3. Resultados del cálculo de bloques y puntos de corte

3.4.4. Facciones

En la terminología del análisis de redes sociales, la equivalencia entre actores se refiere a la similitud que existe entre los perfiles de relaciones con otros actores. Usando rutinas de cálculo específicas, se pueden buscar particiones de una red en subgrupos que maximizan la similitud de los patrones de conexión de los actores dentro de cada grupo.

En UCINET, la rutina utilizada para realizar este tipo de análisis es la siguiente: Network>Subgroups>Factions.

Imagen 3.4.4.1. Cálculo de las facciones de una red (a)

En la ventana a continuación, se elige el archivo de datos con el que se trabajará (1), el número de grupos o divisiones que se desea encontrar (2) y la ubicación de los archivos de cálculo realizados (3 y 4). 
Imagen 3.4.4.2. Cálculo de las facciones de una red (b)

Los resultados de este análisis ofrecen distintos tipos de información: número de facciones encontradas (1),  bondad de ajuste inicial (2), bondad de ajuste final (3), una tabla de asignación de los actores por grupos identificados (4), una matriz de adyacencia por grupos identificados de actores (5) y una tabla de densidad de los grupos identificados (6).

Imagen 3.4.4.3. Resultados del cálculo de las facciones de una red

subir