UCINET(University of Califorinia at Irvine NETwork)

参考文档

http://faculty.ucr.edu/~hanneman/nettext/

数据输入与输出

UCINET是可以对中文的数据进行处理的。

UCINET的数据输入方式有多种:初始数据(raw)、Excel数据和数据语文(Data Language,DL)。

从Excel中导入数据:Data-Import via spreadsheet-Full matrix w/multiple sheets(6.186版处理的Excel数据最多有255列。)输出的Excel会被UCINET转化为一个文本文档并进行输出。

UCINET输出的方式也有多种:数据语言数据、原始数据、Excel数据和图形方式。

输出Excel的方式很简单:Data-Export-Excel

网络密度分析

网络密度分析指的是网络中各个成员之间联系的紧密度,可以通过网络中实际存在的关系与理论上可能存在的关系数相比得到,成员之间的联系越多,该网络的密度越大。整体网的密度越大,该网络对其中行动者的态度、行为等产生的影响可能越大。

注意:计算的时候最好将多值关系数据转换成二值关系数据。

将多值数据转换成二值关系数据路径:变换->对分。(Transform-Dichotomize)。 这里就是使用一个运算符,大于小于等,再有一个阈值用于比对。也就是阈值二值化。

分析路径:网络-凝聚力-密度-密度。(Network-Cohesion-Density-Old Density Procedure)

生成可视化结构图

利用UCINET加载的Net-Draw程序可以生成经济联系网络的可视化结构图。

路径:可视化(Visualize)-Net-Draw-Open-Ucinet Dataset-Network。

还可以在些基础上进行中心性的可视化分析,路径:Analysis-Centrality-Mensures

中心性(centrality)是度量整个网络中心化程度的重要指标,在城市群网络中,处于中心位置的城市更易获得资源和信息,拥有更大的权力和对其他城市的影响力。网络中心性又可以分为点度中心度、接近中心度、中间中心度三个指标。

节点中心度分析路径:网络-中心度-度。(对于nxn矩阵而言。)

接近中心度分析路径:网络-中心度-接近性。

中间中心度分析路径:网络-中心度-Freeman中间度-节点中间度。

凝聚子群分析

凝聚子群是满足如下条件的一个行动子集合,即在此行动者子集合中的行动者之间具有相对较强、直接、紧密、经常的或者积极的关系。城市网络凝聚子群是用于揭示和刻画城市群体内部子结构状态。找到城市网络中凝聚子群的个数以及每个凝聚子群包含哪些城市成员,分析凝聚子群间关系及联系方式,这都可以从新的维度考察城市群网络的发展状况。

利用UCINET软件中的CONCOR法进行凝聚子群分析。CONCOR是一种迭代相关收敛法(convergent correlation或者convergence of iterated correlation)。 它基于如下事实:如果一个矩阵中的各行(或者各列)之间的相关系数进行重复计算(当该矩阵包含此前计算的相关系数的时候),最终产生的将是一个仅由1和-1组成的相关系数矩阵。进一步说我们可以据此把将要计算的一些项目分为两类:相关系数分别为1和-1的两类。

具体地说,CONCOR程序开始于一个矩阵,首先计算矩阵的各个行(或者各个列)之间的相关系数,得到一个相关系数矩阵(C1)。CONCOR算法的特点是,它把系数矩阵C1作为输入矩阵,继续计算此矩阵的各个行或者各个列之间的相关系数。即计算第一个系数矩阵C1的各个行(或者各个列)之间的相关系数。得到的各个“相关系数的相关系数”将构成又一个新的系数矩阵C2。然后继续依次计算,最后得到“相关系数的相关系数的相关系数的…矩阵”(刘军,2009)[22]。

 经过多次迭代计算之后,CONCOR利用树形图(tree-diagram或者dendrogram)表达各个位置之间的结构对等性程度,并且标记出各个位置拥有的网络成员。CONCOR的分析对象是相关系数矩阵,它包含的是皮尔逊积距系数,这种系数用来测量各对行动者之间的相似性。利用CONCOR进行分析时,在最后的结果中每个区中的行动者最好大于3个。CONCOR法也可以直接分析多元关系数据以及多值关系矩阵。

凝聚子群分析路径:网络-角色&位置-结构-CONCOR

CUINET常用分析路径

1将多值关系数据转换成二值关系数据,路径:变换→对分

2密度分析,路径:网络→凝聚力→密度→密度

3、利用Net-Draw程序生成可视化结构图,

路径:可视化→Net-Draw→Open→Ucinet Dataset→Network

4中心性的可视化分析,路径:Analysis→Centrality Measures

5节点中心度分析,路径:网络→中心度→度

6、接近中心度分析,路径:网络→中心度→接近性

7、中间中心度分析,路径:网络→中心度→Freeman中间度→节点中间度

8、凝聚子群分析,路径:网络→角色&位置→结构→CONCOR

9、同时计算出各个点的四种中心度指数,路径:网络→中心度→多重方式

10、相关关系分析,路径:工具→检验假设→二进 (QAP)QAP相互关系

11、回归分析,路径:工具→检验假设→二进 (QAP)QAP回归→双倍Dekker Semi-Partialling MRQAP(D) (Ctrl+R)

点击后出现的对话框为如下,键入作为因变量的矩阵 DIPLOMATIC_EXCHANGE,分别输入作为自变量的四个矩阵的名称 CRUDE_MATERIALSFOODSMANUFACTURED_GOODS MINERALS,点击OK 后得到的结果。

12、属性变量与关系矩阵之间关系的 QAP 检验:⑴ 利用 UCINET 中的 “自相关”AUTOCORRELATION)分析法。这需要根据 UCINET中的路径:工具→检验假设→混合二进/节点→绝对属性→Join count

点击之后,出现如下对话框,键入(或选出)输入数据“advice”和分区向量 sex。点击“OK”后即计算出结果。

也可以利用 QAP,但是需要构建“性别关系矩阵”。 然后就可以利用 QAP 计算二者之间的相关关系了。

上述两种方法的比较:方法(1)给出组内和组间的检验结果,计算出显著性水平;方法(2)只给出组建检验,另外计算出相关系数和显著性水平。

13、在针对具体数据分析其派系构成的时候,可以利用 UCINET 中的程序(沿着 网络→子群→派系 这个路径)对关系数据矩阵进行派系分析,找到其中有多少个派系以及每个派系包含哪些成员等。

14、计算k-核:在 UCINET 中,沿着  网络→宗派→K-  这条分析的途径(如下所示),选择待分析的数据,就可以计算出 k-核来。

15Lambda 集合分析。在 UCINET 中,沿着“网络→子群→Lambda 设置”这条路径,选择需要加以分析的数据,即可分析该数据中的 Lambda 集合。

16E-I秩数:在 UCINET 中,沿着“网络→凝聚力→E-I 指数”这条路径,就可以分析矩阵的 E-I秩数了

17、结构洞:路径:网络→个体中心网络→结构洞

18在 UCINET 中,利用 NetDrawFileOpenUCINET dataset2-Mode Network 工具可用来针对小网络生成一个有用的图,这就是二部 2-模图(Bipartite “Two-Mode” graphs)。

19SVD实现程序:工具→二模缩放比例→SVDS

奇异值分解法(Singular value decomposition,缩写为 SVD)是一种用来区分出 2-模(多值)网络数据背后的一些因子的方法。

20、因子分析:工具→二模缩放比例→因子分析

21对二值行动者-事件的测量方法可采用对应分析(correspondence analysis)(工具→二模缩放比例→相应)。

对应分析很类似于潜类分析(Latent Class Analysis) ,其运算基础是多变量二值列联表分析(multi-variate binary cross-tabulations) ,有关它的分布假设更适用于二值数据。

222-模核心边缘分区:在 UCINET 中,网络→二模→绝对核、外围(C算法利用数量方法(numerical methods)来搜索行动者和事件的分区,使之与理想的像(idealized image)尽量接近。

23在 UCINET 中,沿着 Networks > Subgroups > Factions 程序可分析 1-模数据,可针对指定的分派数量(如 4 派)进行分析。

对于 2-模数据来说,我们则要利用Network > 2-Mode > 2-Mode Factions 算法来分析,但是要注意,它只能分出两派。

 

UCINET中计算网络平均路径长度的菜单路径为Network>Cohesion>Distance
k-丛分析的路径是Network>subgroups>K-Plex

未经允许不得转载:TacuLee » UCINET(University of Califorinia at Irvine NETwork)

赞 (2)

评论 0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址