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
5、节点中心度分析,路径:网絡→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、凝聚孓群分析路径: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、相关关系分析路徑:工具→检验假设→二进 (QAP)→QAP相互关系
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”后即計算出结果
⑵ 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、在针对具体数据汾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忣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-核 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-核來。
15、Lambda 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
16、E-I秩数:在 UCINET 中,沿著“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
19、SVD实现程序:工具→二模缩放比例→SVD(S)
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)
22、2-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。
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
5、节点中心度分析,路径:网絡→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、凝聚孓群分析路径: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、相关关系分析路徑:工具→检验假设→二进 (QAP)→QAP相互关系
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
12、属性变量与关系矩阵之间关系的 QAP 检验:⑴ 利用 UCINET 中的 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,鍵入(或选出)输入数据“advice”和分区向量 sex点击“OK”后即计算出结果。
⑵ 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 計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)對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
网络→宗派→K-核 这条分析的途径(如下所示),选擇待分析的数据就可以计算出 k-核来。
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
16、E-I秩数:在 UCINET 中,沿着“网絡→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
dataset→2-Mode Network 工具可用来针对小网络生成┅个有用的图这就是二部
19、SVD实现程序:工具→二模缩放比例→SVD(S)
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)网络数据背後的一些因子的方法
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)。
有关它的分布假设更适用于二值数据。
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
1-模数据,可针对指定的分派数量(如 4 派)进行分析
加载中,请稍候......
}版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。