ucinet(社会网络分析软件)

　　ucinet提供社会网络分析功能，软件提供多种数据分析，可以选择矩阵、矩阵w/固定的记在页边、矩阵w/固定的列记在页边、计量社会学、伯努力分布、多项分布、 Erdos-Renyi-随机图表，将相关的数据添加到软件就可以执行分析，软件顶部显示非常多的功能，用户可以点击相关的可视化功能处理数据，也可以选择网络功能分析数据，软件相关的功能都附加帮助提示，在加载数据以及分析数据的时候可以查看帮助，这里小编提供的安装包有两个版本，一个是英文官方版本，附加详细的帮助内容，一个是绿色版本，显示中文界面，但是没有帮助内容，用户可以根据自己的需要打开对应版本使用！

软件功能

　　1、ucinet可以处理很多数据，你可以在电子表格上处理数据

　　2、可以将表格数据以矩阵的方式展开，可以在矩阵界面分析数据

　　3、支持多种数据图显示，可以查看、散点图、柱状图、树状图

　　4、提供多种矩阵数据处理，可以选择矩阵w/固定的记在页边、矩阵w/固定的列记在页边

　　5、也支持随机数据统计，可以选择计量社会学分析

　　6、也支持伯努力分布、多项分布、 Erdos-RenyiB随机图表

　　7、支持多种输入方式，支持可以选择 DL、多重DL文件、 VNA、Pajek

　　8、在输入界面也可以找到Krack制图、Negopy、RAW、ExcelR矩阵

　　9、支持将数据输出到 DL、 Krack制图、Mage、Pajek、Metis、RAW、Excel

　　10、也可以在软件查看CSS数据，提供详细的配置方式

软件特色

　　1、HUBBEL / KATZ（影响）

　　目的：使用Hubbell，Katz或Taylor的模型计算每对顶点之间的影响度量。

　　描述：矩阵的连续幂提供影响的度量，因为它们枚举了所有成对节点之间给定长度的可能步数。 由于假定较长的步行对影响的贡献较小，因此应包括一个衰减因子，并取所有步行的总和。 Hubbell在系列中包括身份矩阵，而Katz不包括。

　　对于Hubbell，影响矩阵为I + S（bA）^ i，在特定条件下等于（I-bA）的逆。 由此得出，在相同条件下，对于Katz，影响矩阵是（I-bA）-I的逆。 泰勒测度是卡兹测度的归一化版本。 对于系列中的每个幂，请从行边距中减去列边距，然后按该长度的总步数进行归一化。

　　2、网络>中心>封闭

　　目的：计算每个顶点的距离和标准化的接近度中心度，并给出整个网络的接近度中心度。

　　描述：顶点的距离是测地线与其他顶点的长度之和。 距离的倒数是距离的中心性。 顶点的标准化贴近度中心度是贴近度的倒数除以表示为百分比的最小可能贴近度。 作为求和后求倒数的替代方法，可以在求和前倒数。 在这种情况下，接近度是往复距离的总和，因此无限距离的贡献值为零。 也可以通过除以最大值来归一化。 另外，该例程还允许使用用户通过所有路径或所有路径的长度之和来测量距离。 如果指示数据，则例程将计算近距离和远距离的单独度量。

　　3、网络>角色和位置>结构等效> CONCOR

　　目的：基于迭代相关的收敛（CONCOR），通过分割块对网络数据进行分区。

　　描述：给定一个邻接矩阵，或一组用于不同关系的邻接矩阵，可以通过以下过程形成一个相关矩阵。 通过将每个邻接矩阵中的第i行串联起来，形成顶点i的轮廓向量； 相关矩阵的第i，j个元素是i和j的轮廓向量的皮尔逊相关系数。 该（方形，对称）矩阵称为第一相关矩阵。

　　该过程可以在相关矩阵上迭代执行，直到收敛为止。 现在每个条目为1或-1。 该矩阵用于将数据分为两个块，以使同一块的成员呈正相关，而不同块的成员呈负相关。

　　4、数据>加盟

　　目的：从会员数据创建网络。

　　描述：通过使用两种不同类型的二进制乘法形成AA'或A'A，将m´n矩阵转换为m´m或n´n。给定一个二进制关联矩阵A，其中行代表演员，列事件，矩阵A'给出了演员同时参加的事件数量。因此，AA'（i，j）是演员i和演员j都参加的活动数。矩阵A'A给出了一对演员同时参加的活动数量。因此，A'A（i，j）是参加事件i和事件j的演员人数。如果数据很有价值，则有两个选择。叉积（或同现法）与二进制情况一样构造标准矩阵乘积。最小值方法采用两个值中的最小值而不是乘积。因此，如果第i行是（5,6,0,1）而第j行是（4,2,4,0），则AA'（i，j）是5 * 4 + 6 * 2 + 0 * 4 + 1 *对于叉积，0 = 32；对于最小方法，min（5,4）+ min（6,2）+ min（0,4）+ min（1,0）= 6。这些对于二进制数据产生相同的答案。

　　该例程还允许对最终矩阵进行归一化，以适应事件的不同大小。考虑两个演员i和j，并让X为他们都参加过的活动数目和他们都不参加的活动数目的乘积，让Y为我参加过的活动数目和j没有参与的活动数目的乘积我参加了，但我没有参加。如果X = Y，则归一化的条目为0.5，否则为（X-SQRT（XY））/（X-Y）。

使用说明

　　1、打开ucinet提示软件已经注册，如果你会使用这款软件就开始工作吧

　　2、这里是文件菜单界面，支持改变默认文件夹、创造新建文件夹、复制 Ucinet数据集

　　3、数据添加功能，在软件加载您需要使用的数据，可以添加电子表格数据

　　4、可以选择矩阵数据，可以选择计量社会学、伯努力分布、多项分布

　　5、如图所示，提示随机的矩阵数据设置，在软件输入具体的数据内容

　　6、点击确定就可以进入数据编辑界面，下方就是生成的数据

　　7、计量社会学分析界面，在软件设置节点数目、图表数目、特别每行动者(Outdegree)、生成自环、随机发生器种子、输出数据集

　　8、变形数据分析，输入数据集、行需要的、列需要的、矩阵需要的、输出数据集

　　9、变换功能，支持块、塌缩、对分、对称、标准化、匹配页边、再编码

　　10、矩阵操作功能，支持内部数据集、中间数据集

　　11、2模缩放比例：SVD、因子分析、相应，也可以选择一致性分析

　　12、凝聚力：密度、E-索引、传递性、聚类系数、相互作用、同质性(H)

　　13、结构(S)、自同构(A)、精确的(E)、最大规则(M)

官方教程

　　简介：社交网络数据有何不同？

　　一方面，关于社交网络数据的确没有什么异常之处。社交网络分析人员确实使用一种专门的语言来描述他们使用的观察结果集的结构和内容。但是，也可以使用更熟悉的方法（如横断面调查研究）的思想和概念来描述和理解网络数据。

　　另一方面，社交网络分析师开发的数据集通常看起来与调查研究人员和统计分析师所熟悉的传统矩形数据阵列完全不同。这些差异非常重要，因为它们使我们以不同的方式看待数据，甚至导致我们对如何应用统计数据有不同的看法。

　　“常规”社会科学数据由矩形的测量数组组成。数组的行是案例，主题或观察值。列由属性，变量或度量的分数（定量或定性）组成。一个简单的例子如图1.1所示。然后，数组的每个单元格都会描述某个演员（行）在某个属性（列）上的得分。在某些情况下，这些数组可能存在第三维，代表观察结果面板或多个组。

　　图1.1。矩形数据数组的示例

　　基本的数据结构使我们能够比较各个属性之间参与者之间的相似性或不相似性（通过比较行）。或者，也许更常见的是，我们检查变量在各个参与者之间的分布是如何相似或不相似的（通过比较或关联列）。

　　“网络”数据（以其最纯净的形式）由测量的方阵组成。数组的行是案例，主题或观察值。数组的列是-并注意与常规数据的主要区别-一组相同的案例，主题或观察值。在数组的每个单元中描述了参与者之间的关系。一个简单的例子如图1.2所示，它描述了四个人之间的友谊关系网络。

　　图1.2。网络数据平方数组的示例

　　我们可以使用与属性数据相同的方式查看此数据结构。通过比较数组的行，我们可以看到哪些参与者与他们选择的其他参与者相似。通过查看这些列，我们可以看到在被他人选择方面谁与谁相似。这些是查看数据的有用方法，因为它们可以帮助我们查看哪些参与者在网络中的位置相似。这是网络分析的第一个主要重点：查看参与者如何在整个网络中定位或“嵌入”。

　　但是网络分析师也可能会从第二种角度看待数据结构-从整体上看。分析人员可能会注意到，矩阵中的1和0大约相等。这表明总体上有适度的“密度”。分析人员还可以比较对角线上方和下方的单元格，以查看选择中是否存在对等关系（例如，鲍勃选择了泰德，泰德选择了鲍勃吗？）。这是网络分析的第二个主要重点：了解个人选择的整体模式如何引发整体模式。

　　很有可能以与“常规数据”相同的术语来考虑网络数据集。可以将行仅看作是案例的列表，而将列视为每个参与者的属性（即，可以将与其他参与者的关系视为每个参与者的“属性”）。确实，网络分析师使用的许多技术（例如计算相关性和距离）都以与传统数据完全相同的方式应用于网络数据。

　　尽管可以将网络数据描述为只是常规数据的一种特殊形式（确实如此），但网络分析人员却以一些完全不同的方式查看数据。网络分析人员没有考虑一个参与者与其他参与者的关系如何描述“自我”的属性，而是看到了一个嵌入参与者的连接结构。演员是通过关系而不是属性来描述的。而且，关系本身与它们所联系的参与者一样基础。

　　常规数据与网络数据之间的主要区别在于，常规数据侧重于参与者和属性。网络数据关注参与者和关系。研究人员在决定研究设计，进行抽样，开发测量和处理结果数据时必须做出的选择会导致重点的不同。网络分析人员使用的研究工具并非与其他社会科学家的研究工具不同（大多数情况没有差异）。但是网络研究的特殊目的和重点确实需要一些不同的考虑。

　　在本章中，我们将研究社交网络分析的设计，抽样和度量中出现的一些问题。我们的讨论将集中在网络数据的两个部分：节点（或参与者）和边缘（或关系）。我们将尝试通过属性数据来说明网络数据与更熟悉的参与者之间的相似之处和不同之处。我们将介绍一些新术语，这些术语使描述网络数据的特殊功能更加容易。最后，我们将简要讨论网络和参与者属性数据之间的差异对于统计工具的应用是如何产生的。

　　节点数

　　网络数据由参与者和关系（或“节点”和“边缘”）定义。网络数据的节点或参与者部分似乎很简单。社会科学中的其他经验方法也从案例或主题或样本要素等方面进行思考。但是，大多数网络数据有一个区别，那就是通常如何收集此类数据以及所研究的样本和种群的类型有很大的不同。

　　网络分析关注的是参与者之间的关系，而不是个体参与者及其属性。这意味着，通常不会像许多其他类型的研究（最常见的是调查）那样，对参与者进行独立采样。例如，假设我们正在研究友谊关系。约翰已入选我们的样本。当我们问他时，约翰确定了七个朋友。我们需要追踪这七个朋友中的每一个，并向他们询问他们的友谊纽带。这七个朋友在我们的样本中，因为John是（反之亦然），因此“样本元素”不再“独立”。

　　非网络研究中包含的节点或参与者往往是独立概率采样的结果。网络研究更有可能包括发生在某个（通常是自然发生的）边界内的所有参与者。至少在传统意义上，网络研究通常根本不使用“样本”。而是，它们倾向于包括某些人口中的所有参与者。当然，网络研究中包含的人群可能是一些较大人群的样本。例如，当我们研究教室中学生之间的互动方式时，我们将教室中的所有孩子都包括在内（也就是说，我们研究了教室中的全部人口）。但是，教室本身可能是通过概率方法从一组教室中选择的（例如，学校中的所有教室）。

　　在（许多）网络研究中，使用整体人口作为选择观察的一种方式，对于分析师而言，明确每个被研究人口的边界以及如何在该人口中选择单个观察单位非常重要。网络数据集通常还涉及多个层次的分析，而参与者则嵌入在最低层次（即，可以使用“嵌套”设计的语言来描述网络设计）。

　　总体，样本和边界

　　社交网络分析师很少在他们的工作中抽取样本。最常见的是，网络分析人员会识别一些人口并进行人口普查（即将人口的所有要素都包括在内作为观察单位）。网络分析人员可能会检查文本中出现的所有名词和对象，生日聚会上的所有人，组织，邻里或社会阶层的亲属团体的所有成员（例如某个地区的地主或皇室成员） ）。

　　调查研究方法通常使用完全不同的方法来确定要研究的节点。由所有节点组成的列表（有时是分层的或群集的），并且通过概率方法选择单个元素。该方法的逻辑将每个个体视为一个单独的“复制”，从某种意义上说，它们可以彼此互换。

　　由于网络方法侧重于参与者之间的关系，因此无法独立采样参与者以将其包括为观察值。如果一个演员恰好被选中，那么我们还必须包括所有与我们有（或可能有）联系的其他演员。结果，网络方法倾向于通过人口普查而不是样本来研究整个人口（我们将在抽样联系的主题下不久讨论许多例外情况）。

　　网络分析师研究的人群非常不同。在一种极端情况下，它们可能由文字中的符号或语音中的声音组成；在另一个极端，世界国家体系中的国家可能构成节点总数。当然，也许最常见的是个人人群。但是，在每种情况下，要研究的总体要素都落在某个边界之内。

　　网络分析人员研究的人群边界主要有两种。可能最常见的边界是演员自己施加或创建的边界。教室，组织，俱乐部，邻里或社区的所有成员都可以构成一个总体。这些是自然发生的集群或网络。因此，从某种意义上说，社交网络研究通常会在已知的人群周围划定界线，这是先验的，成为一个网络。或者，网络分析人员可能会采用更多的“人口统计”或“生态学”方法来定义人口边界。我们可以通过联系在有限空间区域中找到的所有满足条件或符合某些条件（家庭总收入每年超过1,000,000美元）的人来得出观察结果。在这里，我们可能有理由怀疑网络的存在，但所研究的实体是调查人员强加的抽象集合，而不是参与者已识别和标记的制度化社会行为模式。

　　网络分析师可以通过复制人群来扩展研究范围。与其研究一个街区，不如研究几个街区。这种类型的设计（可以使用抽样方法选择总体）可以通过比较总体来进行复制并检验假设。网络研究扩展其范围的第二种同样重要的方法是通过包含多个级别的分析或模式。