INTRODUCCIN A LOS MTODOS DEL ANLISIS DE REDES SOCIALES CAPTULO SEXTO: CENTRALIDAD Y PODER

Robert A. Hanneman. Departmento de Sociologa de la Universidad de California Riverside

NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de la versin electrnica disponible en

<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html> [Fecha de consulta: Diciembre de 2001]. La traduccin se ha realizado por bloques. En este documento se presenta el sexto captulo, traducido por Lissette Aliaga [unmsm_lissette@yahoo.com.mx] y revisado por Jos Luis Molina [joseluis.molina@uab.es].
NP

NDICE
CAPTULO VI. CENTRALIDAD Y PODER ....................................................................... 4 INTRODUCCIN: CENTRALIDAD Y PODER ............................................................. 4 LAS DIFERENTES CARAS DEL PODER ................................................................... 5 CENTRALIDAD DE GRADOS...................................................................................... 8 CENTRALIDAD DE CERCANA ................................................................................. 11 CENTRALIDAD DE GRADO DE INTERMEDIACIN ................................................ 13 EIGENVECTOR DE DISTANCIAS GEODSICAS .................................................... 15 CENTRALIDAD DE FLUJO ........................................................................................ 18 EL NDICE DE PODER BONACICH .......................................................................... 20 RESUMEN DEL CAPTULO 6 .................................................................................... 24

CAPTULO VI. CENTRALIDAD Y PODER INTRODUCCIN: CENTRALIDAD Y PODER

Todos los socilogos concordaran en que el poder es una propiedad fundamental de las estructuras sociales. Habra menos acuerdo sobre qu es el poder, y cmo En este captulo

podemos describirlo y analizar sus causas y consecuencias.

veremos algunas de las principales aproximaciones que el anlisis de redes sociales ha desarrollado para estudiar el poder y un concepto ntimamente relacionado como es la centralidad. La perspectiva de redes ha contribuido en gran parte a la comprensin del poder social. Quiz an ms importante, la aproximacin a las redes sociales enfatiza que el poder es inherentemente relacional. Un individuo no tiene poder en abstracto, se tiene poder porque se puede dominar a otros el poder de ego es la dependencia del alter y viceversa. Debido a que el poder es una consecuencia de los patrones de relacin, la cantidad de poder en las estructuras sociales puede variar. Si un sistema est muy dbilmente acoplado (baja densidad) poco poder puede ser ejercido; en sistemas de alta densidad existe el potencial para mayor poder. El poder es una propiedad

sistmica (macro) y relacional (micro). La cantidad de poder en un sistema y su distribucin a travs de los actores estn relacionados pero no son lo mismo. Dos sistemas pueden tener la misma cantidad de poder, pero ste puede estar igualitariamente distribuido en uno y desigualmente distribuido en otro. El poder en las redes sociales podra ser visto tanto como una propiedad micro (i.e. ste describe las relaciones entre actores) o como una propiedad macro (i.e. ste describe la poblacin entera). Por tanto, como pasa en otros conceptos sociolgicos claves, lo macro y lo micro estn ntimamente conectados en la perspectiva de redes sociales. Los analistas de redes a menudo describen la manera en a l que un actor est insertado en una red relacional en la medida que se le imponen restricciones y se le ofrecen oportunidades. Los actores que se enfrentan a menos restricciones y tienen ms oportunidades que otros, estn en posiciones estructurales favorables. Tener una posicin favorable significa que un actor puede extraer mejores ofertas en los intercambios y que ser un foco para la deferencia y atencin por parte de aqullos en posiciones menos favorables. Pero a qu nos referimos con tener una posicin favorable y tener ms oportunidades y menos restricciones? No existe una sola

respuesta correcta y definitiva para estas difciles preguntas. Sin embargo, el anlisis de redes ha hecho importantes contribuciones en proveer definiciones precisas y mediciones concretas de las diferentes aproximaciones a la nocin de poder que se atribuye a las posiciones en estructuras de relaciones sociales.

LAS DIFERENTES CARAS DEL PODER

Para entender las aproximaciones que el anlisis de redes usa para estudiar el poder, es til pensar primero sobre algunos sistemas muy simples. Considera estas tres redes, las cuales son denominadas estrella, lnea y crculo.

A primera vista, se puede sugerir que el actor A tiene una posicin estructural altamente favorable en la red estrella, si la red est describiendo una relacin como un intercambio o distribucin de recursos. Pero, exactamente por qu est este actor A en una mejor posicin que el resto de nodos de la red estrella? qu hay que decir sobre la posicin de A en la red lnea? estar en el final de la lnea es una ventaja o una desventaja? Estn todos los actores en la red crculo exactamente en la misma posicin estructural? Necesitamos pensar sobre por qu la ubicacin estructural puede ser ventajosa o desventajosa para los actores. Concentrmonos en el porqu el actor A est tan obviamente en una posicin ventajosa en la red estrella.

Grado: En primer lugar, el actor A tiene ms oportunidades y alternativas que los otros actores. Si el actor D eligiera no proveer a A con algn recurso, A tiene un nmero de otros lugares dnde ir para conseguirlo; sin embargo, si D eligiera no intercambiar con A, D no estara en capacidad de realizar ningn intercambio. Cuantos ms vnculos tenga A, ms poder podr tener. En la red estrella, el actor A tiene grado seis, todos los dems actores tienen grado uno. De esta lgica se desprenden las medidas de centralidad y poder basadas en el grado del actor, lo cual discutiremos a continuacin. Los actores que tienen ms vnculos tienen mayores oportunidades porque tienen ms opciones. Esta autonoma los hace menos dependientes ante cualquier otro actor especfico y por lo tanto ms poderosos. Ahora, consideremos la red crculo en trminos de grado. Cada actor tiene

exactamente el mismo nmero de compaeros alternativos para hacer negocios (o grado), entonces todas las posiciones son igualmente ventajosas. En la red lnea, el asunto es un poco ms complejo. Los actores al final de la lnea (A y G) estn en realidad en una desventaja estructural, pero todos los dems son aparentemente iguales (en realidad, no es tan simple). Generalmente, an cuando, los actores que son ms centrales en la estructura, en el sentido de tener mayor grado o ms conexiones, tienden a tener posiciones favorables y por lo tanto mayor poder. Cercana: La segunda razn de por qu el actor A es ms poderoso que los otros actores en la red estrella es que el actor A est ms cerca del resto de actores que cualquier otro. El poder puede ser ejercido por el trato e intercambio directo. Pero el poder tambin proviene de actuar como un punto de referencia por el cual otros actores se juzgan a s mismos y por ser un centro de atencin cuyos puntos de vista son escuchados por un gran nmero de actores. Los actores que son capaces de alcanzar a otros en longitudes de caminos ms cortas, o quienes son ms accesibles por otros actores en longitudes de caminos ms cortos, tienen posiciones favorables. Esta ventaja estructural puede ser traducida en poder. En la red estrella, el actor A est a distancia geodsica de uno de todos los otros actores, mientras cada uno de los otros actores est a distancia geodsica de dos de los otros actores (excepto A). Desde esta lgica de ventaja estructural se desprenden aproximaciones que enfatizan la distribucin de la cercana y distancia como un recurso de poder. Consideremos ahora la red crculo en trminos de la cercana del actor. Cada actor se sita en longitudes de camino diferentes desde los otros actores, pero todos los actores tienen distribuciones idnticas de cercana y de nuevo pareceran ser iguales 6

en trminos de posiciones estructurales. En la red lnea, el actor de en medio (D) est ms cercano a todos los otros actores que lo que estn en el grupo C, E; grupo B, F y el grupo A, G. De nuevo, los actores al final de la lnea, o en la periferia, estn en desventaja. Grado de Intermediacin: La tercera razn que hace que el actor A est en ventaja en la red estrella es porque el actor A est situado entre cada otro par de actores y no existe ningn otro actor entre A y el resto de actores. Si A quiere contactar con F, A lo har directamente. Si F quiere contactar con B, tiene que hacerlo por medio de A. Esto da al actor A la capacidad de negociar contactos entre los actores para extraer tarifas de servicios y aislar actores o prevenir contactos. El tercer aspecto de una posicin estructural ventajosa por lo tanto es encontrarse entre otros actores. En la red crculo, cada actor est situado entre cada otro par de actores. Realmente, existe dos caminos conectando cada par de actores, y cada tercer actor est situado en uno, pero no en otro de ellos. De nuevo, todos los actores estn igualmente en ventaja o desventaja. En la red lnea, nuestros puntos finales (A,G) no estn situados entre cualquier par y no tienen ningn poder negociador. Los actores ms cercanos al centro de la cadena aparecen en ms caminos entre pares y estn nuevamente en una posicin ventajosa. Cada una de estas ideas (grado, cercana y grado de intermediacin) ha sido implementada de varias formas. Examinaremos brevemente tres implementaciones aqu. El enfoque eigenvector de geodsicos construye la nocin de cercana/distancia. El enfoque de flujo (que es similar al enfoque de flujo discutido en el captulo anterior) modific la idea de grado de intermediacin. La medida de poder Bonacich es una importante y ampliamente usada generalizacin del enfoque al poder basado en grados. En el captulo previo discutimos varios enfoques a la distancia que habla de la influencia de puntos entre ellos (Hibbell, Katz, Taylor). Estos enfoques, que no

discutiremos de nuevo ahora, pueden ser vistos como generalizaciones de la lgica de cercana que mide el poder de los actores. Los analistas de redes ms probablemente describiran sus enfoques como descripciones de centralidad que de poder. Cada uno de los 3 enfoques (grado, cercana e intermediacin) describen la ubicacin de individuos en trminos de cun cerca estn del centro de la accin en la red. Aunque la definicin de lo que significa estar al centro difiere, es ms acertado describir enfoques a redes de esta forma 7

medidas de centralidad- que medidas de poder. Pero, como hemos sugerido aqu, hay varias razones por las cuales las posiciones centrales son posiciones poderosas.

CENTRALIDAD DE GRADO
Los actores que tienen mayores vnculos con otros actores puede que tengan posiciones ventajosas. Debido a que tienen muchos vnculos, pueden tener formas alternativas de satisfacer necesidades y por tanto son menos dependientes de otros individuos. Adems, dado que disponen de muchos vnculos, pueden tener acceso y pueden conseguir ms del conjunto de los recursos de la red. El hecho de tener ms vnculos les posibilita a menudo ser terceros y permitir intercambios entre otros, pudindose beneficiar de esa posicin. As que una muy simple, pero a menudo

efectiva, medida de centralidad de un actor y de su poder potencial es su grado. Con datos de relaciones recprocas los actores difieren entre ellos slo en cuantas conexiones tienen. Con datos de relaciones orientadas puede ser importante distinguir la centralidad basada en grados de entrada de la centralidad basada en grados de salida. Si un actor recibe muchos vnculos a menudo se dice que es prominente o de prestigio, o sea muchos otros actores buscan entablar vnculos con l, y esto puede indicar su importancia. Los actores que inusualmente tienen un alto grado de salida son actores que son capaces de intercambiar con muchos otros, o hacer a muchos otros conscientes de sus punto de vista. Los actores que muestran alta centralidad de grados de salida se dice que son actores influyentes . Recordemos los datos sobre intercambio de informacin entre organizaciones operando en el campo del bienestar social (Knoke) que hemos estado examinando.

Examinaremos los grados de entrada y de salida de los puntos como medida de quin es central o influyente en esta red. UCINET ha sido usado para el recuento y otros clculos adicionales a partir de las sugerencias de Linton Freeman. MEDIDAS DE CENTRALIDAD DE GRADO DE FREEMAN
1 Grado de salida 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST 4.00 7.00 6.00 4.00 8.00 3.00 3.00 6.00 3.00 5.00 2 3 4 Nmero de Grado de Entrada 55.56 88.89 44.44 55.56 88.89 11.11 100.00 22.22 55.56 22.22

Grado de Entrada Nmero de Grado de Salida 5.00 8.00 4.00 5.00 8.00 1.00 9.00 2.00 5.00 2.00 44.44 77.78 66.67 44.44 88.89 33.33 33.33 66.67 33.33 55.56

ESTADSTICAS DESCRIPTIVAS 1 2 3 Nmero de Grado de Salida 54.44 4 Nmero de Grado de Entrada 54.44

Grado de Grado de Entrada salida Promedio Desviacin Estndar Varianza Mnimo Mximo 4.90 4.90

1.70 2.89 3.00 8.00

2.62 6.89 1.00 9.00 43.056%

18.89 356.79 33.33 88.89

29.17 850.62 11.11 100.00

Centralizacin de red (grado de salida):

Centralizacin de red (grado de entrada): 56.944%

Notas: Los actores #5 y #2 tienen mayor grado de salida, y pueden ser considerados los ms influyentes (aunque puedan importar a quienes mandan informacin, esta medida no toma eso en cuenta). Los actores # 5 y # 2 se unen a # 7 (NEWS) cuando examinamos los grados de entrada. Que otras organizaciones compartan informacin con estos tres indicara un deseo por parte de ellas de intentar tener influencia. Este intento de influenciar puede ser interpretado como un acto de deferencia, o 9

reconocimiento de que las posiciones de los actores 5, 2 y 7 podran ser valiosas. Si nos interesara comparar redes de distinto tamao o densidad sera til estandarizar la medida de entrada y salida. En las dos ltimas columnas de la primera tabla de resultados de arriba, todos los recuentos de grados han sido expresados como porcentajes del ms grande recuento de datos en el grupo. (i.e. el # 7 tiene grado de salida 9) Los resultados de la tabla siguiente a la anterior tratan del nivel meso de anlisis. Esto es, cmo se observa el grado de distribucin del grado de centralidad. En promedio, los actores t ienen grados de 4.9, que es bastante alto, dado que hay slo nueve actores ms. Vemos que el rango de los grados de entrada ligeramente ms alto (mnimo y mximo) que el grado de salida, y que hay ms variabilidad a travs de actores en grado de entrada q ue en grado de salida (desviaciones y variaciones estndar). El rango y grados de variabilidad ( y otras propiedades de redes) pueden ser bastante importantes, porque describen si la poblacin es homognea o heterognea en lo que a posiciones estructurales se refiere. Uno puede examinar si la variabilidad es alta o baja con relacin a las puntuaciones clsicas calculando el coeficiente de variacin, (desviacin estndar dividida por el promedio, por 100) para el grado de entrada y de salida. Para las reglas usadas a menudo para evaluar

coeficientes de variacin, los valores actuales (35 para el grado de salida y 53 para el grado de entrada) son moderados. Claramente, sin embargo, la poblacin es ms homognea con relacin al grado de salida (influencia) que el grado de entrada (prominencia). La ltima pieza de informacin dada por el informe de arriba son los medidas de centralizacin de grafo de Freeman que describe a la poblacin como un todo --el nivel macro. Estos son estadsticas muy tiles, pero requieren de un poco de explicacin. Recuerda la red estrella de la discusin anterior (revsala si no es as). La red estrella es la ms centralizada o la ms desigual posible para un cualquier nmero de actores. En la red estrella, todos los actores menos uno tienes el grado de uno, y la estrella tiene grado del nmero de actores menos uno. Freeman pens que sera til expresar el grado de variabilidad en los grados de los actores en nuestra red observada como un porcentaje del de la red estrella del mismo tamao. Es as como las medidas del grfico de centralizacin de Freeman pueden ser entendidas: expresan el grado de desigualdad o variacin en nuestra red como un porcentaje de una red estrella perfecta del mismo tamao. En el caso actual, el grfico de centralizacin, de grado de salida, 10

es de 43% y el grfico de grado de entrada es de 57%. Llegaramos a la conclusin que hay una cantidad sustancial de concentracin o centralizacin en toda la red. Es decir, el poder de los actores individuales vara substancialmente y esto significa que en total, las ventajas posicionales se distribuyen de forma desigual en esta red. Ahora que entendemos estas ideas bsicas, podemos ser ms breves al ver otros enfoques de la centralidad y el poder.

CENTRALIDAD DE CERCANA
Las medidas de grados de centralidad pueden ser criticadas porque slo toman en cuenta los vnculos inmediatos que tiene el actor, en lugar de los vnculos indirectos con todos los dems. Un actor puede estar vinculado con muchos otros, pero esos otros pueden estar un tanto desconectados del conjunto de la red. En un caso como ste, el actor puede ser bastante central, pero slo en una rea local. Los enfoques a la centralidad por cercana enfatizan la distancia de un actor a otros en la red al concentrarse en la distancia geodsica de cada actor con todos los dems. Uno puede considerar las distancias geodsicas entre actores tanto directos como indirectos. Siguiendo con el mismo ejemplo, hemos decidido observar vnculos

indirectos. La suma de estas distancias geodsicas para cada actor es la lejana del actor al resto. Podemos convertir sta en una medida de cercana o centralidad de cercana al tomar la inversa (esto es, uno dividido por la lejana) y normalizarla con relacin al actor ms central. Aqu estn los resultados de UCINET para nuestros datos de intercambio de informacin.

Lejana 1 2 3 4 5 6 7 8 9 10 11.00 10.00 12.00 12.00 10.00 15.00 9.00 12.00 12.00 13.00

Cercana 81.82 90.00 75.00 75.00 90.00 60.00 100.00 75.00 75.00 69.23

11

Lejana Promedio Desviacin Est. Suma Varianza Mnimo Mximo 11.60 1.62 116.00 2.64 9.00 15.00

Cercana 79.10 11.01 791.05 121.13 60.00 100.00

Centralizacin de red: 49.34% Podemos ver que el actor # 7 es el ms cercano o central de los actores usando este mtodo, porque la suma de las distancia geodsica de # 7 con otros actores (un total de 9, a travs de 9 actores) es la menor (es ms, es la suma mnima de distancias geodsicas). Dos actores ms (# 2 y # 5) son ms cercanos. WRO (# 6) tiene la mayor lejana. En una red pequea con alta densidad, no sorprende que la centralidad basada en la distancia es muy similar a la centralidad basada en adyacentes (dado que muchas distancias geodsicas en esta red son adyacentes). En redes ms grandes o menos densas, los dos enfoques pueden dar imgenes distintas de quines son los actores centrales. La centralidad basada en la distancia puede tambin ser usada para caracterizar la centralizacin del grfico entero. Es decir, cun desigual es la distribucin de la centralidad a lo largo de una poblacin?. Otra vez, una manera til de hacer un ndice de esta propiedad de todo el grfico es comparar la varianza en los datos actuales con la varianza de la red estrella del mismo tamao. Otra vez, la red estrella es aquella dnde la distribucin de lejana entre actores muestra la mxima posible concentracin (con un actor estando mximamente cerca de distantes entre ellos). El ndice de centralidad basado en la cercana muestra un ms modesto pero aun substancial grado de concentracin en toda la red.

12

CENTRALIDAD DE GRADO DE INTERMEDIACIN

Supongamos que quiera influenciarte mandndote informacin o hacer un trato para intercambiar algunos recursos, pero que para hablar contigo tenga que pasar por un intermediario. Por ejemplo, supongamos que quiera convencer al Rector de mi

Universidad para que compre un nuevo ordenador. De acuerdo con las reglas de nuestra jerarqua burocrtica, tendra que mandar mi pedido a travs del Consejo de mi Departamento, un Decano, y el vicerrector ejecutivo. Cada una de estas personas podra demorar mi pedido, o evitar que mi pedido pase. Esto le da a la gente situada entre yo y el Rector poder con respecto a m. Para estirar el ejemplo un poco ms supongamos que tambin tengo un trabajo en una Escuela de Negocios al mismo tiempo que en el Departamento de Sociologa. En este caso yo podra mandar mi pedido por ambos caminos. Tener ms de un camino me hace menos dependiente y en cierto sentido ms poderoso. La centralidad del grado de intermediacin ve al actor con una posicin favorable en la medida que el actor est situado entre los caminos geodsicos entre otros pares de actores en la red. Es decir, a ms gente que dependa de mi para hacer conexiones con otra gente, ms poder tendr yo. Si, sin embargo, dos actores estn conectados por ms de un camino geodsico y yo no estoy en todos, pierdo poder. Usando el ordenador es fcil localizar caminos geodsicos entre todos lo pares de actores y contar cun frecuentemente cada actor aparece en cada camino. Y si agregamos, para cada actor, la proporcin de veces que estn entre otros actores para mandar la informacin en los datos de Knoke, obtendremos una medida de la centralidad del actor. Podemos normalizar esta medida expresndola como un porcentaje del grado mximo posible de intermediacin que un actor pueda tener. UCINET son: Los resultados de

13

Intermediacin 1 2 3 4 5 6 7 8 9 10 0.67 12.33 11.69 0.81 17.83 0.33 2.75 0.00 1.22 0.36

Intermediacin Normalizada 0.93 17.13 16.24 1.12 24.77 0.46 3.82 0.00 1.70 0.50

Intermediacin Promedio Desviacin Est. Suma Varianza Mnimo Mximo 4.80 6.22 48.00 38.69 0.00 17.83

Intermediacin Normalizada 6.67 8.64 66.67 74.63 0.00 24.77

Centralizacin de red = 20.11% Notas: Vemos que hay mucha variacin en la intermediacin del actor (desde 0 hasta 17.83), y que hay bastante variacin (desviacin estndar = 6.2 con relacin al promedio de intermediacin de 4.8). A pesar de esto la centralidad de toda la red es relativamente baja. Esto tiene sentido porque sabemos que por completo un medio de todas las conexiones puede ser hecha en esta red sin la ayuda de ningn intermediario por tanto no puede haber mucha intermediacin. Tomando en cuenta la restriccin estructural, no hay mucho poder en esta red. Los actores # 2, # 3 y # 5 parecen ser relativamente un poco ms poderosos que otros de acuerdo a estas medidas. Claramente, hay base estructural para que estos actores perciban que son distintos de los otros en la poblacin. Es ms, no sera sorprendente que estos actores se vieran a s mismos como los negociantes que mueven y hacen que sucedan las cosas. En este sentido, aunque no hay mucho poder de intermediacin en el sistema, ste podra ser importante para la formacin y estratificacin del grupo.

14

Cada uno d e estos enfoques bsicos a la centralidad y poder (grado, cercana e intermediacin) pueden y han sido elaborados para obtener informacin adicional de los grafos. Revisando algunas de estas elaboraciones podemos sugerir otras formas de relacin del poder y la posicin en las redes sociales.

EIGENVECTOR DE DISTANCIAS GEODSICAS

La medida de centralidad de cercana descrita lneas arriba se basa en la suma de distancias geodsicas de cada actor al resto (lejana). En redes ms grandes y

complejas que los ejemplos que hemos considerado es posible que esta medida desoriente en cierta forma. Considera dos actores, A y B. El actor A es cercano a un grupo pequeo y cerrado dentro de un red ms grande, y bastante distante de muchos miembros de la poblacin. El actor B est a moderada distancia de todos los actores de la poblacin. La medicin de lejana para A y B podra ser bastante similar en magnitud. En cierto sentido, sin embargo, el actor B es realmente ms central que A en este ejemplo, porque B puede alcanzar ms nodos de la red con el mismo esfuerzo. El enfoque eigenvector es un intento de encontrar a los actores ms centrales (i.e. aqullos con menor lejana que otros) en trminos de estructura global o general y prestar menos atencin a patrones ms locales. El mtodo usado (anlisis de

factores) va ms all del alcance de este texto. En general, lo que el anlisis de factores hace es identificar dimensiones de la distancia entre actores. La ubicacin de cada actor con relacin a cada dimensin se llama valor eigen y la coleccin de tres valores se llama eigen vector. Usualmente, la primera dimensin captura los aspectos globales de distancias entre actores; las segundas y futuras dimensiones capturan ms subestructuras especficas. Para ilustrar esto hemos usado UCINET para calcular los eigenvectores de la matriz de distancia para informacin de los datos sobre intercambio de informacin de Knoke. En este ejemplo, hemos medido la distancia entre dos actores como la ms larga de las distancias geodsicas dirigida entre ellas. Si nos interesara ms la informacin de las relaciones de intercambio que simplemente las fuentes o receptores de informacin sera bueno tomar este enfoque - porque nos dice que para estar cerca, un par de

15

actores deben tener distancias cortas entre ellos en ambas direcciones. Aqu est el resulado: CENTRALIDAD DE BONACICH
ATENCIN: ESTA VERSIN DEL PROGRAMA NO PUEDE MANEJAR DATOS ASIMTRICOS. MATRIZ HA SIDO SIMETRIZADA TOMANDO LA LONGITUD DE xij Y xji. LA

VALORES EIGEN
FACTOR 1 2 3 4 VALOR 6.766 1.209 0.944 0.187 9.106 PORCENTAJE ACUMULATIVO% 74.3 13.3 10.4 2.1 100.0 74.3 87.6 97.9 100.0 RATIO 5.595 1.282 5.037

MEDIDAS CENTRALIDAD DEL VECTOR EIGEN BONACICH

1 vector eigen 2 vector eigen Normalizado 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST 0.343 0.379 0.276 0.308 0.379 0.142 0.397 0.309 0.288 0.262 48.516 53.538 38.999 43.522 53.538 20.079 56.124 43.744 40.726 37.057

16

ESTADSTICAS DESCRIPTIVAS
1 Vector Eigen 1 2 3 4 5 6 7 8 Promedio Desviacin Est. Suma Varianza Euc Norm Mnimo Mximo N de obs. 0.31 0.07 3.08 0.01 1.00 0.14 0.40 10.00 2 Vector Eigen Normalizado 43.58 10.02 435.84 100.41 141.42 20.08 56.12 10.00

ndice de Centralizacin de la red = 20.90% El primer grupo de estadsticas nos dice cunto del patrn general de distancias entre actores puede ser visto como reflejando el patrn global (el primer valor eigen), y ms localmente, los patrones adicionales. Estamos interesados en los porcentajes de la variacin general en las distancias que se toman en cuenta por el primer factor. Aqu este porcentaje es 74.3% esto significa que casi de todos las distancias entre actores son reflejo de las principales dimensiones del patrn. Si esta cantidad no es grande (digamos ms del 70%), se debe tener cuidado al usarlo para interpretar resultados futuros, porque el patrn dominante no est haciendo un buen trabajo describiendo los datos. El primer valor eigen debe ser considerablemente mayor que el segundo (aqu, el radio entre el primer valor eigen y el segundo es de 5.6 a 1). Esto significa que el patrn dominante en cierta forma es 5.6 veces tan importante como el patrn secundario. Despus podemos atender a las puntuaciones de cada caso en el primer eigenvector. Las puntuaciones ms altas indican que los actores son ms centrales al patrn principal de distancias entre todos los actores, las puntuaciones ms bajas indican que los actores son ms perifricos. Los resultados son muy similares a los encontrados en nuestro anterior anlisis de centralidad por cercana, con el actor # 7, # 5 y # 2 ms centrales y # 6 ms perifrico. Usualmente el enfoque del valor eigen har lo que debe hacer: darnos una versin limpia de las medidas de centralidad por cercana, como lo hace aqu. Es una buena idea examinar ambos y compararlos. Finalmente, examinamos la centralizacin general del grfico y la distribucin de centralidades. Hay relativamente poca variabilidad en la centralidad (desviacin 17

estndar .07) alrededor del promedio (.31). Esto sugiere que, en general, no hay grandes desigualdades en la centralidad o poder del actor, cuando medimos de esta forma. Comparado a la red estrella, el nivel de desigualdad o concentracin de los datos Knoke es slo 20.9% de lo mximo posible. Esto es mucho menor que la medida de centralizacin de red para la medida de cercana cruda (49.3), y sugiere que algunas diferencias de poder usando el enfoque de la cercana cruda pueden deberse ms a aparentes desigualdades locales que globales. El enfoque de anlisis de factores puede ser usado para examinar el grado o intermediacin tambin, pero no te agobiaremos con esos ejercicios. Nuestro punto principal es: la distancia geodsica entre actores es una medida razonable de un aspecto de centralidad - o ventaja posicional. A veces, estas ventajas pueden ser ms locales y a veces ms globales. El enfoque factor analtico es un acercamiento que algunas veces nos ayuda a enfocar el patrn ms global. Otra vez, no se trata de que un enfoque sea correcto y otro no sino que dependiendo de los objetivos de nuestro anlisis, desearemos enfatizar uno u otro aspecto de la ventaja posicional que surge de la centralidad.

CENTRALIDAD DE FLUJO
La medida de centralidad de intermediacin que hemos examinado arriba caracteriza a actores con ventaja posicional, o poder, en la medida que aparecen en el camino ms corto (geodsico) entre otro par de actores. La idea es que actores que estn entre otros actores y sobre aquellos de quines stos dependen para hacer intercambios, convertir el rol de intermediario en poder. Supongamos que dos actores quieren una relacin, pero el camino geodsico entre ellos est bloqueado por un intermediario indiferente. Si existe otro camino, los dos actores lo usarn probablemente, aunque sea ms largo o menos eficiente. En general, los actores pueden bien usar todos los vnculos que los conectan en vez de solamente vnculos geodsicos. El enfoque de flujo a la centralidad expande la nocin de centralidad de intermediacin y supone que los actores usarn todos los itinerarios que los conectan antes que solamente caminos geodsicos. El enfoque de flujo a la centralidad expande la nocin de intermediacin. Asume que los actores usarn todos los itinerarios que los conectan. La intermediacin se mide por la proporcin de todo el flujo entre dos actores (es decir, a travs de todos los caminos que los conecta) que ocurre en los caminos de los cuales el actor es parte. Para cada actor, entonces, la 18

medida suma cun involucrado el actor est en todo el flujo entre todos los pares de actores (la cantidad de clculos con ms de una par de actores puede ser enormemente intimidatoria!). En tanto se puede esperar que la magnitud de este ndice se incremente con el tamao y densidad de la red, es til estandarizarlo calculando el flujo de intermediacin de cada actor en relacin al flujo total de intermediacin que no involucra al actor. CENTRALIDAD DE FLUJO DE INTERMEDIACIN
Flujo de intermediacin 1 2 3 4 5 6 7 8 9 10 10.00 49.00 17.00 14.00 48.00 2.00 23.00 8.00 9.00 12.00 Flujo de intermediacin Normalizado 7.69 39.20 12.50 10.53 37.80 1.34 16.67 6.06 6.34 9.09

ESTADSTICAS DESCRIPTIVAS PARA CADA MEDIDA

Flujo de intermediacin Promedio Desviacin Est. Suma Varianza Mnimo Mximo 19.20 15.57 192.00 242.56 2.00 49.00 Flujo de intermediacin Normalizado 14.72 12.50 147.21 156.33 1.34 39.20

ndice de Centralizacin de la red = 27.199% Con esta medicin ms completa de centralidad de intermediacin los actores # 2 y # 5 son claramente los ms importante mediadores (con el NEWS #7 , siendo un distante tercero). El actor # 3 que era importante cuando considerbamos slo flujo geodsico es ahora menos importante. Mientras la imagen completa no cambia

mucho, la definicin elaborada de intermediacin nos da una impresin algo distinta de quin es el ms importante en la red. 19

Algunos actores claramente son ms centrales que otros, y la variabilidad relativa de flujo de intermediacin de los actores es bastante grande (la desviacin estndar de intermediacin del flujo normalizado es de 14.7 con relacin al promedio de 12.5 dado un coeficiente de variacin relativa de 85%). A pesar de esta relativamente alta

cantidad de variacin, el grado de desigualdad o concentracin en la distribucin de las centralidades del flujo de intermediacin entre los actores es bastante baja -en relacin a la red estrella (el ndice de centralizacin es de 27.199). Esto es ligeramente ms alto que el ndice para las medidas de intermediacin que se basaba slo en distancias geodsicas.

EL NDICE DE PODER DE BONACICH

Phillip Bonacich propuso una modificacin al enfoque de centralidad de grado que ha sido ampliamente aceptado como superior a la medida original. La idea de Bonacich, como toda buena idea es simple. El enfoque original de centralidad sostiene que actores que tienen ms conexiones son probablemente ms poderosos porque pueden directamente afectar a ms actores. Esto tiene sentido, pero tener el mismo grado no necesariamente hace a los actores igualmente importantes. Supongamos que Bill y Fred cada uno tiene 5 amigos cercanos. Los amigos de Bill sin embargo estn bastante aislados y no tienen muchos otros amigos adems de Bill. Los amigos de Fred tienen muchos amigos quienes a la vez tambin tienen muchos amigos y as sucesivamente. quin es ms central?. Estaramos de acuerdo que es Fred porque la gente con la que est conectada est mejor conectada que lo amigos de Bill. Bonacich sostiene que la centralidad es una funcin de cuntas conexiones tiene uno y los actores en relacin con uno. Mientras argumentbamos que los actores ms centrales son los ms poderosos, Bonacich cuestion esta idea. Compara a Bill y a Fred de nuevo. Fred es claramente ms central, pero es ms poderoso?. Un argumento sera de que uno puede ser ms influyente si est conectado a otros centrales - porque uno puede rpidamente contactarse con muchos otros actores con su mensaje. Pero si los actores con los que estas conectado estn a su vez bien conectados no son altamente dependientes de ti tienen muchos contactos, al igual que t. Si por otro lado la gente con la que contactas no est bien conectada, es dependiente de ti. Bonacich argumentaba que estar bien conectado a otros conectados te hace central pero no poderoso. De alguna manera, irnicamente, estar conectado a otros que no estn bien conectados hace a 20

uno poderoso, porque estos otros actores dependen de ti mientras los otros actores bien conectados no. Bonacich propuso que ambas nociones centralidad y poder eran funciones de las conexiones del actor con su entorno. A ms conexiones los actores tengan con tu entorno, ms central eres t. Cuantas menos conexiones stos tengan con tu entorno, ms poderoso eres. Parecera existir un problema para construir un algoritmo que incorporase estas ideas: supongamos A y B estn conectados; el poder y centralidad de A est en funcin de sus propias conexiones y tambin las conexiones de B. De la misma forma, el poder y centralidad de B depende de las de A. As que, el poder y centralidad de cada actor depende del poder de cada otro simultneamente. Hay una manera de salir de este dilema del huevo y la gallina. Bonacich mostr que para resolver esta ecuacin en sistemas simtricos, un enfoque de estimacin iterativa simultnea eventualmente convergera en una sola respuesta. Se comienza dndole a cada actor una centralidad estimada igual a su propio grado, ms un clculo ponderado de la funcin de los actores con quin est conectado. Entonces, hacemos esto de nuevo, usando las primeras estimaciones (i.e. le damos a cada actor una centralidad estimada igual a su primera puntuacin ms las primeras puntuaciones de aqullos con los que est conectado). Si hacemos esto numerosas veces, los tamaos

relativos (no los tamaos absolutos) de todas las puntuaciones sern iguales. A continuacin, las puntuaciones pueden ser recalculadas escalando las constantes. Examinaremos las puntuaciones de centralidad y poder para nuestros datos de intercambio. Primero, examinamos el caso donde la puntuacin para cada actor es una funcin positiva de su propio grado y el nivel de los otros a los que est conectado. Hacemos esto al seleccionar un peso positivo (Parmetro Beta) para el grado de otros en cada entorno del actor. Este enfoque nos lleva a una puntuacin de centralidad.

21

CENTRALIDAD BONACICH Beta Parameter: 0.50000

ATENCIN: La matriz de datos ha sido simetrizada tomando la longitud de xij y xji. CENTRALIDAD DEL ACTOR
1 Centralidad 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST - 2.68 - 3.74 - 2.76 - 2.95 - 4.05 - 1.16 - 2.67 - 3.49 - 2.89 - 2.95

ESTADSTICAS DESCRIPTIVAS
1 Centralidad 1 2 3 4 5 6 7 Promedio Desviacin Est. Suma Varianza Euc. Norm Mnimo Mximo - 2.93 0.74 - 29.32 0.55 9.57 - 4.06 - 1.16

ndice de Centralizacin de la red = 17.759 Notas: Si analizamos el valor absoluto de las puntuaciones nos encontramos con un a historia conocida. El actor # 5 y # 2 son claramente los ms centrales. Esto se debe a que tienen un alto grado y porque estn conectados entre s y con otros actores de alto grado. El UWAY (# 8) tambin aparece con alta centralidad con esta medida - ste es un nuevo resultado. En este caso se debe a que el UWAY est conectado a todos los

22

otros puntos con altos grados al ser una fuente para ellos y hemos contado una relacin tanto si se trata de un emisor como de un receptor. Cuando tomamos en cuenta las conexiones de aqullos con quienes los actores estn conectados, hay menos variacin en los datos que cuando examinamos slo adyacentes. La desviacin estndar de las centralidades del actor es pequea en relacin a la puntuacin media. Esto sugiere relativamente poca dispersin o

desigualdad en la centralidad, lo que se confirma al comparar la distribucin de los datos con la red estrella (i.e. ndice de centralidad de la red = 17.759). Veamos el lado del poder del ndice que se calcula con l mismo algoritmo, pero que da peso negativo a conexiones con conexiones dbiles. PODER BONACICH Parmetro Beta: - 0.500000

ATENCIN: La matriz de datos ha sido s imetrizada tomando el longitud de xij y xji. PODER DEL ACTOR
1 Poder 1 COUN 2 COMM 3 EDUC 4 INDU 5 MAYR 6 WRO 7 NEWS 8 UWAY 9 WELF 10 WEST - 1.00 2.00 1.00 1.00 3.00 - 0.00 3.00 1.00 2.00 1.00

23

ESTADSTICAS
1 Poder 1 2 3 4 5 6 7 Promedio Desviacin Est. Suma Varianza Euc. Norm Mnimo Mximo 1.30 1.19 13.00 1.41 5.57 - 1.00 3.00

ndice de Centralizacin de la red = 17.000 Notas: Como era previsible, estos resultados son muy distintos a otros que hemos examinado. Puedo decir que no sorprende porque la mayora de medidas que hemos visto equiparan centralidad con poder, mientras que el ndice de poder de Bonacich ve el poder como distinto a la centralidad. El MAYR (# 5) y COMM (# 2) son centrales (resultados previos) y poderosos. Ambos actores estn conectados con casi todos - incluidos bien conectados y poco conectados. El actor # 9 (WELF) se ubica en este ndice entre los actores ms poderosos. Esto es probablemente por su vnculo con WRO (# 6) un actor poco conectado. El actor # 1 que tiene alto grado se ve aqu como no poderoso, si ve el diagrama otra vez, puede ver que el actor # 1 se conecta casi con todos los actores altamente conectados. El enfoque de Bonacich a la centralidad y al poder basado en el grado son extensiones naturales de la idea de grado de centralidad basado en adyacentes. Uno simplemente toma en cuenta las conexiones de tus conexiones adems de tus conexiones. La nocin que el poder surge con conexiones con dbiles, por oposicin a las fuertes es interesante y apunta a otra manera en la que la posicin de los actores en la estructura de red les da diferentes potencialidades.

RESUMEN DEL CAPTULO 6

Los mtodos de anlisis de redes sociales proporcionan algunas herramientas tiles para dirigirse a uno de los ms importantes (pero tambin ms complejos y difciles) aspectos de la estructura social: las fuentes y distribucin del poder. La perspectiva de

24

redes sugiere que el poder de los actores no es un atributo del individuo, sino que surge de sus relaciones con los otros. Todas las estructuras sociales pueden tambin ser vistas como desplegando altos o bajos niveles de poder como resultado de las variaciones en los patrones de vnculos entre los actores. Adems, el grado de

desigualdad o concentracin de poder en la poblacin podra ser indexado. El poder se deduce de la ocupacin de posiciones ventajosas en las redes de relaciones. Tres son las fuentes bsicas de poder: grado alto, alta cercana y alto grado de intermediacin. En estructuras simples (como la estrella, el crculo y la lnea), estas ventajas tienden a covariar. En estructuras grandes y complejas, puede existir disyuntivas considerables entre estas caractersticas de una posicin de tal manera que un actor podra ser localizado en una posicin que es ventajosa en algn aspecto, y desventajosa en otros. En el captulo anterior y en el presente, hemos enfatizado que los mtodos de anlisis de redes sociales nos dan, en el mismo momento, visiones individuales y de la poblacin en general. Uno de los temas ms importantes y de larga duracin en el estudio de la organizacin social humana, sin embargo, es la importancia de las unidades sociales que se sitan entre los polos de los individuos y la poblacin en general. En el prximo captulo, volvemos a concentrarnos en cmo los mtodos de anlisis de redes sociales describen y miden la diferenciacin de subpoblaciones.

PREGUNTAS DE ESTUDIO CAPTULO 6

Cul es la diferencia entre centralidad y centralizacin? Por qu es un actor con mayor grado un actor ms central? Cmo la medida de influencia Bonacich extiende la idea de centralidad? Puedes explicar por qu se dice que un actor que tiene una suma ms pequea de distancias geodsicas a todos los actores es ms central, usando el enfoque de cercana? Cmo el enfoque de flujo extiende la idea de cercana como una aproximacin a la centralidad?

25

Qu significa que un actor se sita entre otros dos actores? Por qu la intermediacin da al actor poder de influencia?

Cmo el enfoque de flujo extiende la idea de intermediacin como una aproximacin a la centralidad?

Muchos de los enfoques sugieren que la centralidad confiere poder e influencia. Bonacich sugiere que el poder y la influencia no son lo mismo. Cul es el argumento de Bonacich? Cmo Bonacich mide el poder del actor?

PREGUNTAS DE APLICACIN CAPTULO 6

Piensa en las lecturas de la primera parte del curso. Qu estudios usaron las ideas de ventaja estructural, centralidad, poder e influencia? qu clases de enfoque se utilizaron para cada uno : el grado, cercana e intermediacin? Puedes pensar en alguna circunstancia donde ser central podra hacer a uno menos influyente? menos poderoso? Considera una red directa que describe una burocracia jerrquica, donde la relacin es dar ordenes a, qu actores tienen el ms alto grado? son ellos los ms poderosos e influyentes? qu actores tienen alta cercana? qu actores tienen alta intermediacin? Puedes pensar en un ejemplo de la vida real en el cual un actor podra ser poderoso pero no central? quin podra ser central y no poderoso?

26