Jose Luis Molina y Miranda Lubbers

Presentación del tema: "Jose Luis Molina y Miranda Lubbers"— Transcripción de la presentación:

1 Jose Luis Molina y Miranda Lubbers
Aproximándose a la aculturación mediante medidas de composición y estructura de las redes personales National Science Foundation, Award No. BCS Chris McCarty University of Florida Jose Luis Molina y Miranda Lubbers Universitat Autonoma de Barcelona

2 Esta presentación tiene cuatro partes
Una visión de conjunto de la investigación en ciencias sociales Una visión de conjunto de las redes sociales Una introducción al análisis de redes sociocéntricas Una introducción al análisis de redes personales Una presentación de Egonet

3 La mayor parte de la investigación en ciencias sociales está diseñada para predecir actitudes, conductas o condiciones de personas a partir de sus características. Los científicos sociales preguntan u observan características acerca de respondientes y utilizan esa variabilidad en esas características para explicar las variables dependientes

4 Ejemplo de un diseño de investigación
Edad Formación Ingresos Altura Peso Número de cigarrillos que fuma cada día Variable dependiente Variables independientes Un/a científico/a social puede recoger información sobre una muestra de 500 respondientes e intentar predecir su conducta fumadora utilizando la variabilidad en su edad, formación, ingresos, altura y peso

5 Conclusión Edad Formación Ingresos Peso Altura Número de cigarrilos que fuma cada día Variables independientes Variable dependiente El/la investigador/a concluye que la edad, el nivel de formación y los ingresos son buenos predictores de cuántos cigarrilos fuma cada día, mientras que el peso y la altura no lo son.

6 Influencia social Los científicos sociales piensan que algunas variables dependientes están influenciadas por factores sociales. Por ejemplo, está comúnmente aceptado que la introducción al hábito de fumar entre adolescentes es debido a la influencia de los colegas. Dado que la influencia de los colegas no se puede observar de formar directa, los científicos socials diseñan preguntas que pueden ser utilizadas como aproximaciones para observar la influencia de los colegas.

7 Preguntas “proxy” (indicadoras)
¿Fuman tus padres? (Padres) ¿Fuma la mayor parte de tus amigos? (Amigos) ¿Alguno de tus amigos te ha ofrecido alguna vez un cigarrillo? (Ofrecimiento)

8 Poder predictivo de la influencia social
Edad Formación Ingresos Padres Amigos Ofrecimiento Número de cigarrilos que fuma cada día Variable dependiente Variables independientes Los investigadores/as han descubierto que estas preguntas aproximativas explican parte de una varianza previamente inexplicada en relación al hábito de fumar por la edad, la formación y los ingresos.

9 Preguntas ¿Conocer más detalles sobre la influencia social que rodea a un respondiente nos proporciona más poder explicativo? ¿Qué preguntas podemos hacer para conseguir esta clase de detalle? Proponemos utilizar la aproximación de las redes sociales.

10 Dos tipos de análisis de redes sociales
Análisis sociocéntrico (redes “completas”) Se centra en la interacción dentro del grupo Recoge información de los miembros de un grupos acerca de sus relaciones con el resto de miembros Análisis de redes personales Se centra en los efectos de la red en las actitudes individuales, conductas y condiciones Recoge información sobre el respondiente (ego) acerca de sus interacciones con los miembros de la red (alteri)

11 Aproximación sociocéntrica al hábito de fumar y la influencia social
Selección de un grupo de estudiantes dentro de una clase. Preguntar a cada estudiante que puntúe en una escala de 0 a 5 cuánto se socializa con cada uno de los otros. Preguntar a los estudiantes si fuman o no.

12 Matriz de adyacencia de estudiantes
Las evaluaciones realizadas por cada persona pueden ser usadas para construir una matriz que represente las relaciones entre los miembros de la clase Las celdas que interseccionan dos personas representan la valoración realizada David dice que se socializa con Faith a un nivel 2 Faith dice que se socializa con David a un nivel 1

13 Visualización de la red
Podemos usar la matriz para visualizar la estructura de relaciones Hay un gran grupo en el centro. Amber y Beth fuman Napp no se socializa con nadie y Thomas y Kent sólo se socializan entre ellos dos

14 Visualización de la red
Podemos calcular algunas medidas de esta estructura Hay dos componentes de la red Beth es la que tiene un grado nodal más alto Amber es la que tiene un grado de intermediación más alto

15 Conclusión Podemos concluir que aquéllos que forman parte del grupo de Beth y Amber es más probable que fumen. Napp, Kent y Thomas no. Este análisis no dice nada de las influencias fuera del grupo. Para estudiar las influencias a través de grupos utilizamos análisis de redes personales.

16 Tom tiene una Red Personal de 10 personas

17 Tom se encuentra con esas personas en tres grupos
FAMILY WORK CLUB

18 Dentro de cada grupo se conocen todos
CLUB FAMILY WORK

19 Hay también algunas relaciones entre grupos
CLUB WORK FAMILY

20 A veces las redes personales pueden ser complejas

21 Introducción a la recolección de datos de redes personales
Identificar una población Seleccionar una muestra de respondientes Preguntas sobre cada respondiente Obtener miembros de la red personal Preguntar sobre cada miembro de la red personal Pedir que se evalúe la relación entre los miembros de la red personal

22 Identificar una población
El análisis de las redes pesonales empieza de forma muy parecida a cualquier investigación en ciencias sociales. La primera cosa a hacer es claramente identificar la población de interés.

23 Seleccionar una muestra de respondientes
La recolección de datos sobre redes personales puede ser un largo proceso de entrevista que a veces requiere un programa informático especial. Esto puede significar un compromiso entre la representatividad de la muestra y el nivel de detalles acerca de sus redes personales.

24 Preguntas sobre ego Queremos saber algunas cosas sobre el respondiente (ego) Queremos saber sobre las variables dependientes de interés. Queremos saber también acerca de otras variables explicativas que no están relacionadas con la influencia social.

25 Obtener miembros de la red personal
Aquí es donde la recolección de datos de redes personales difiere del resto de investigaciones de ciencias sociales. Preguntamos a ego un conjunto de cuestiones (generadors de nombres) que permiten obtener nombres de personas que conocen (alteri): Lista-libre de gente con la que han obtenido contacto en el pasado año Gente con la que discuten temas importantes Gente con lo que hablaron la semana pasada Gente con nombres de pila específicos Esto define la red

26 Preguntas sobre cada alter
Preguntar a ego sobre cada alter Normalmente ésta es la parte más larga de la entrevista Si cada respondiente genera 50 alteriy se quieren conocer 10 cosas sobre cada uno, entonces tenemos que hacer 500 preguntas. Se debe buscar un equilibrio entre el número de alters y la cantidad de información que se quiere obtener de cada uno.

27 Pedir que evalúen la relación entre cada par de alteri
Finalmente, queremos recoger datos estructurales para formar una matriz de adyacencia. Esto significa que ego debe evaluar todos los lazos posibles entre cada par de alteri. Afortunadamente, usualmente asumimos que los lazos son simétricos, lo cual significa que solamente tenemos que conocer si los dos alteri están relacionados. El número de lazos a evaluar crece geométricamente a medida que se añaden nuevos alteri.

28 Carga de trabajo a medida que se añaden alteri

29 Cuatro posibles soluciones para reducir la carga del respondiente
Preguntar menos alteri Preguntar muchos alteri y después seleccionar una muestra de alteri seleccionada de forma aleatoria para establecer las relaciones entre sí. Preguntar muchos alteri y después seleccionar un subcojunto de relaciones Intentar predecir un lazo a partir de la noción de transitividad

30 Conclusiones Para la mayor parte de medidas estructurales, un subcojunto aleatorio de 20 alteri proporcionará similares resultados que un listado de 45 alteri.

31 What kind of data do we get?
Data on network composition. These are summaries of the attributes of network alters. Data on network structure. These are summary measures of the pattern of relations Combinations of composition and structure

32 Personal network composition
Name Closeness Relation Sex Age Race Where Live Year_Met Joydip_K 5 14 1 25 1994 Shikha_K 4 12 34 2001 Candice_A 2 24 3 1990 Brian_N 23 Barbara_A 42 1991 Matthew_A 20 Kavita_G 22 Ketki_G 54 Kiran_G Kristin_K 1986 Keith_K 26 1995 Gail_C 33 1992 Allison_C 19 Vicki_K 2002 Neha_G . This ego has told us some things about each alter. For example, Joydip is a 25 year old male she met in 1994 that she is very close to.

33 And we can add these to our model
Age Education Income Altage Altsmoke Duration Number of cigarettes smoked per day Independent variables Dependent variable For each respondent these now become variables about their social environment that can be used to predict outcome variables. In this case we may believe that higher proportions of smoking alters leads to smoking.

34 Now we can create a set of compositional variables
Average age of each alter (ALTAGE) Proportion of alters that are women (ALTWOMEN) Proportion of alters that are family (ALTFAMILY) Average length of time ego has known each alter (DURATION) Proportion of alters that smoke (ALTSMOKE)

35 Personal Network Structure
Joydip_K Shikha_K Candice_A Brian_N Barbara_A Matthew_A Kavita_G Ketki_G . 1 The same Ego also evaluated the ties between their alters. We end up with an adjacency matrix for each ego. We can use this to calculate structural measures.

36 Now we can create a set of structural variables
Number of components (COMP) Average betweenness centrality (BETWEEN) Closeness centralization (CLOSCENT) Number of alters in network core (CORESIZE)

37 And these can be added to the model
Age Education Income Altage Altsmoke Duration Comp Between Coresize Number of cigarettes smoked per day Dependent variable In this model we want to test whether the structure of the personal network impacts smoking. For example, betweenness centrality is a measure of bridging. Bridging represents exposure to different groups which may not tolerate smoking. Independent variables

38 Some measures of personal network structure
Degree Centrality – An alter is highly degree-central to the extent he or she is directly connected to many other alters. Closeness Centrality –An alter is highly close-central if he or she is connected by short paths to many other alters. Betweenness Centrality –An alter is highly between-central to the extent he or she lies on many geodesics (shortest paths) between alters. Components – A set of alters who are connected to one another directly or indirectly. Isolates – A node unconnected to any other node. Network-Degree Centralization – A measure of the extent to which the network is dominated by a single alter using degree centrality. Network-Closeness Centralization – A measure of the extent to which the network is dominated by a single alter using closeness centrality. Network-Betweenness Centralization – A measure of the extent to which the network is dominated by a single alter using betweenness centrality.

39 How do we collect and analyze these data?
Many researchers develop paper instruments or computerized instruments that let them collect these data Compositional data are calculated using a statistical package (e.g. SAS or SPSS) Structural analyses are not typical and are often limited to personal network density, since it is an easy measure to program

40 Need for personal network software
A standardized software package would offer many advantages It provides a computer interface that edits and standardized data input with complex skip patterns It automatically can calculate compositional and structural measures and export them to a data set compatible with a statistical package It makes it possible to analyze individual cases

41 EgoNet Personal Network Analysis Software
Available at

42 Egonet design Egonet is written in Delphi and runs on a Windows platform There are two programs: Administrator program to create a study and assemble a questionnaire Client program to collect data and analyze it

43 Example data file from Egonet
Egonet outputs data across all the respondents and assembles it into one file. Notice that the data set has data about ego (sex, age), compositional data (Proportion of females, average alter age), and structural data (components, cliques). This data set would be difficult to produce without this software.

44 Egonet can also visualize the personal network of a single Ego
This is the personal network of Merced, a 19-year-old second generation West African migrant in Spain. The dots represent her alters and the lines represent a connection between alters based on her evaluation of the ties.

45 We can label the dots (nodes) with information we collected from Merced about each alter, like where they are from

46 We can also size the nodes, in this case by Merced’s assessment of how close she is to each alter

47 And we can color the nodes, in this case by race

48 Finally, we can shape the nodes, in this case by whether they smoke (smokers are the squares)

49 We now have a picture we can use to interview Merced about her acculturation experience in Spain. See the potential influence of white, Spanish smokers in the upper right from her high school

50 Contrast this with the visualization of her 22 year old sister Laura, labeled, sized, colored and shaped with the same variables. Their acculturation experiences are different.

51 This is Vivian, a 36 year old Moroccan woman

52 And this is Jose, a 46 year old Dominican man

53 We can also use Egonet to visualize structural measures
We can also use Egonet to visualize structural measures. Here is Merced’s network with nodes colored by betweenness centrality.

54 Here Merced’s network is colored by her relation type (blue nodes are relatives). Egonet has done a cluster analysis and circled nodes and labeled them with numbers.

55 Samples of first and second generation immigrants
Location Group Interviews Barcelona Argentine 81 Moroccan 70 Dominican 64 Gambian 26 Equatorial Guinean 9 Senegalese 43 New York City Puerto Rican 86 97 Columbian 34 Miami Cuban 12 Haitian 13 Kansas Mexican Total 548

56 Procedure Respondents answered a set of questions about themselves, including an acculturation scale Respondents free-listed 45 alters given the following definition: “You know them and they know you by sight or by name. You have had some contact with them in the past two years, either face-to-face, by phone, mail or , and you could still contact them if you had to.”

57 Procedure (continued)
Respondents answered twelve questions about each alter Respondents evaluated all 990 possible ties between alters rating the probability that the alters talk to each other independently of the respondent Structural variables were calculated using ties that the respondent was sure existed We conducted a qualitative interview with each respondent using a visualization of their network

58 Data Cleaning In some cases we questioned the authenticity of the data
We viewed each of the 486 visualizations and listened to the interviews. These were scaled on a scale of 0-5 reflecting our assessment of their authenticity

59 Percent Distribution of Authenticity Scores
*There are 369 cases (so far) with authenticity of 4 or 5

60 Dependent Variables Health – 42% excellent, 42% good, 14% fair, 2% poor Smoking - 76% smoke, 24% don’t smoke Depression – 66% not depressed, 23% mild depression, 11% depressed Children – 51% no children, 19% one child, 13% two children

61 Independent variables Respondent characteristics
Proportion HOST COUNTRY (Spain) .68 COUNTRY ORIGIN (Dominican) .30 SEX (Male) .54 GENERATION (First) .92 AGE (Less than 30 years old) .51 SKIN COLOR (White) MARITAL STATUS (Never married) .52 LEGAL (Yes) .65 EMPLOYMENT (No) EDUCATION (Secondary school) .49 ACCULTURATION (Level 1) .40

62 Independent Variables Compositional Characteristics

63 Independent Variables Structural Characteristics

64 Correlation between Dependent Variables and Respondent Characteristics

65 Correlation between Dependent Variables and Compositional Characteristics

66 Correlation between Dependent Variables and Structural Characteristics