Диссертация (1136958), страница 11
Текст из файла (страница 11)
Это вероятностное моделирование сетевой структуры,где зависимая переменная – связь между акторами. Вероятность образованиясвязи оценивается при учете структурных параметров сети, характеристикакторов и их диадных атрибутов [Lusher, Koskinen, Robins, 2012].58Преимущество ERGM заключается в том, что данное моделированиепозволяет исследователю выявить структуры, образуемые между тремяакторами (Рисунок 5), и проверить вероятность образования той или инойструктуры в сети. Структурные эффекты сети подбираются исследователемисходя из теоретических представлений.Рисунок 5 – Примеры конфигурации сети для описания социальныхотношений между тремя акторамиERGM работает с кросс-секционными данными.
Предполагается, чтоанализируемая им структура сети – результат социальных процессов ивзаимозависимости связей (network self-organization). Примером зависимостисвязей друг от друга могут служить «реципрокность» – образование обратнойсвязи («dyadic dependence») и «транзитивность» – образование связи междуакторами при наличии общего актора (см. Рисунок 5 – структуры transitivetriad, 3-cycle), с которым они оба связаны. Это то, что исследователиназывают эндогенными эффектами [Lusher, Koskinen, Robins, 2012].Экзогенными факторами формирования сетевой структуры являютсяиндивидуальные атрибуты акторов и диадные характеристики связей.Участники с разными атрибутами по-разному выстраивают свои социальныесвязи и при включенности в одни отношения с большей или меньшейвероятностью будут образовывать и другие отношения (например, дружескиеотношения и отношения помощи; или дружеские отношения и враждебные59отношения).
ERGM разделяет эффекты влияния внутренних и внешнихфакторов на структуру сети [Lusher, Koskinen, Robins, 2012, pp. 16-22].При спецификации модели базовыми элементами являются: плотность(вероятность образования связей) и взаимность (вероятность образованиявзаимных связей). Они измеряются практически всегда, независимо от того,какие именно отношения исследуются – дружбы, антипатии, помощь и такдалее.Другиеструктурыпроверяютсявмоделиприналичииуисследователей теоретических оснований ожидать их образования. Так, прианализе дружеских отношений подростков в школах дополнительноиспользуются структуры центральности (Рисунок 6) и транзитивности(Рисунок 5) [Huitsing, Van Duijn, Snijders et al., 2012; Bond, Lusher, Williams etal., 2014; Huitsing, Snijders, Van Duijn et al., 2014; Boda, Neray, 2015].Рисунок 6 – Пример структур центральности в сетиАнализ ERGM был осуществлен в программе XPNet [Wang, Robins,Pattison, 2009].
Программные ограничения предполагают два важныхусловия: во-первых, данные не должны содержать пропусков (в сетевыхсвязях и атрибутах), поскольку XPNet не поддерживает работу спропущенными значениями. Поэтому классы с неполными даннымипришлось исключить из анализа. Во-вторых, XPNet работает только с однойсетью за раз.
Поэтому на первом этапе исследования ERGM проводилосьотдельно для каждого класса в выборке, с сохранением коэффициентов истандартных ошибок. Для каждого класса соблюдалась единая конфигурация60модели (то есть включались одинаковые структурные эффекты). Затем нарезультатахвсехклассовбылпроведенмета-анализ(длякаждогоструктурного эффекта отдельно). Он показал, являются ли найденныеэффекты общей тенденцией по выборке или нет.Далее в таблице (Таблица 2) представлено описание структурныхэффектов, которые включены при моделировании сетей классов.61Таблица 2 – Описание параметров ERGM для направленных сетейНазванияструктурГрафическоепредставлениеструктурОписаниеReciprocityОбразование взаимных связейIn-ties spreadРаспределение входящих связейOut-ties spreadРаспределение исходящих связейShared in-tiesShared out-tiesMultiple twopathsTransitive closureСтруктурный эквивалент на основевходящих связейСтруктурный эквивалент на основеисходящих связейПосредничество (образование входящихи исходящих связей)Тенденция дружить с друзьями своихдрузей (эффект включен только вдружеские сети)Номинирование в обеих сетяхСвязь числа входящих номинаций вдвух сетейСвязь числа исходящих номинаций вдвух сетяхMultiplex arcMultiplex in-2starsMultiplex out-2starsMultiple twoТенденциядружитьстемиpaths of A withсверстниками, с кем не общаются те, сtransitive closureкем не общается сам подростокof BMultiple twoТенденцияполучатьдружескиеpaths of A withноминации от тех сверстников, с кем неcyclic closure ofобщаются те, с кем не общается самBподростокClosure of B forТенденция дружить с теми, с кем неshared inties of Aобщаются одни и те же одноклассникиClosure of B forТенденция дружить с теми, кто неshared out-ties ofобщаетсясоднимиитемиAодноклассникамиНегативные отношения – сеть А, пунктирная линия; дружескиеотношения – сеть В, сплошная линия.
См. Huitsing, Veenstra, Sainio et al.,2012, Wang, Robins, Pattison, 2009.62Для анализа динамики сетей и поведения используется стохастическоеагентно-ориентированное моделирование (Stochastic Actor-Oriented Models)[Ripley, Snijders, Boda et al., 2017; Snijders, Bunt, Steglich, 2010; Steglich,Snijders, Pearson, 2010]. Эти модели позволяют ответить на вопросы, какформируются дружеские сети и как происходит распространение поведенияв группах. Модель оценивает два процесса: «выбор» и «влияние», которыевносят вклад в эволюцию сети. Первый означает наличие «социальнойселекции» – выбора друзей на основе сходства характеристик (образование иизменение связей). Второй процесс отражает наличие «социальногозаражения», то есть изменений в поведении актора под влиянием его друзей(изменение поведения акторов сети).Моделирование основывается на постулате о том, что акторы изменяютсвои связи и поведение с целью оптимизации своего положения в сети [Burk,Steglich, Snijders, 2007; см.
подробнее в Snijders, Bunt, Steglich, 2010; Ripley,Snijders, Boda et al., 2017]. Эти изменения реализуются, исходя изпредставлений индивида о структуре сети в целом, о положении его самого идругих участников в ней, а так же о его атрибутах и атрибутах других[Snijders, Bunt, Steglich, 2010]. Изменения в сетях и поведении – этонепрерывный процесс, состоящий из микроизменений, результат которых мынаблюдаем в структуре сети и поведении в очередном срезе (волне) [Snijders,2001; Burk, Steglich, Snijders, 2007; Snijders, Bunt, Steglich, 2010].«Микроизменения» (micro-steps) происходят, когда в один момент времени(не наблюдаемый) актор изменяет одну связь или значение атрибута на одинуровень [Burk, Steglich, Snijders, 2007].
Будущая структура сети оказываетсязависимой от ее состояния, наблюдаемого на данный момент времени (см.continuous-time Markov chain models, Snijders, 2001). Однако она не должнаизменяться полностью, между волнами в сети должны сохранятьсястабильные связи [I. Jaccard > 0.3, Ripley, Snijders, Boda et al., 2017].63SAOM реализуется с помощью SIENA (Simulation Investigation forEmpirical Network Analysis) в среде R. Программа анализирует изменения вструктуре сети и поведении, которые произошли в ненаблюдаемые моментывремени между волнами, оценивая влияние эндогенных и экзогенныхфакторов.
Как и в ERGM, в SIENA есть базовые эндогенные эффекты,которые необходимо учитывать при моделировании сетей: плотность сети(склонностьакторовобразовыватьсвязи);взаимность(тенденциявыстраивать взаимные связи); триады разного типа (тенденция со временемобразовывать связи между тремя акторами, в том числе взаимные);популярность\активность–эффектыцентральности,показывающиесклонность популярных акторов со временем становиться еще популярнее, аактивных в номинировании других – еще активнее [Ripley, Snijders, Boda etal., 2017].
Последнюю группу можно дополнить эффектами «outdegree-relatedpopularity» и «indegree-related activity», означающими, что более активныеакторы со временем становятся популярными или, наоборот, популярныеакторы – более активными [Snijders, Bunt, Steglich, 2010].Экзогенные эффекты отражают влияние индивидуальных параметровактора на изменения структуры сети со временем [Snijders, Bunt, Steglich,2010]. Например,ученикисвысокими оценками большесклонныинициировать дружеские связи с одноклассниками (активность), отличникиполучают больше дружеских номинаций от одноклассников (популярность),нежели двоечники; ученики склонны образовывать дружеские отношения стеми, кто учится так же, как и они (гомофилия). Так же SIENA оцениваетэволюцию поведения акторов сети – как изменяется успеваемость учеников(behavioral tendency), в том числе в зависимости от положения актора в сети(outdegree, indegree) и под влиянием других акторов (behavioral influence)[Ripley, Snijders, Boda et al., 2017].
Это дает возможность ответить, например,на такие исследовательские вопросы, как: заимствуют ли подростки рисковоеповедение у своих друзей или вовлекаются ли общительные/популярныеподростки в рисковые практики сильнее остальных сверстников.64Для применения SIENA данные должны удовлетворять следующимусловиям: минимальное число волн наблюдения – две; оптимальное числоакторов в сети от 20 до 300; максимально допустимое число пропусков всетевых данных и атрибутах 20% [Ripley, Snijders, Boda et al., 2017].Спецификация моделей показана в таблице ниже (Таблица 3).В российской социологии образования сетевые методы анализа данныхприменяются лишь в небольшом числе работ.
Первоначальное представлениео применении метода p2 моделирования дает работа В.А. Иванюшиной, Д.А.Александрова (2012), изучающая структуру межэтнических отношений вроссийскихшколах.Демонстрацияиподробноеописаниеанализалонгитюдных сетевых данных приводятся в работе С.В. Докуки, Д.Р.Валеевой, М.М. Юдкевич (2015, 2017). Авторы изучают коэволюциюдружеских отношений и успеваемости студентов (SIENA, 2013), и какакадемические задолженности становятся причиной потери дружескихсвязей среди студентов (STERGM, 2017).65Таблица 3 – Описание параметров моделей SIENA для оценкикоэволюции дружеских сетей и поведения подростковЭффектГрафическоепредставлениеэффектовtt+1Структурные эффектыOutdegree (плотность)ReciprocityTransitive triplets (2)Transitive tripletsTransitive reciprocatedtripletsThree-cyclesTransitive tiesIndegree-popularityOutdegree-popularityOutdegree-activityCovariate alterCovariate egoSame covariateCovariate similarityЭффекты динамики поведенияLinear shapeQuadratic shapeCovariate egoAverage similarityIndegreeOutdegreeОписаниеТенденция i образовывать связи c jТенденция i и j образовывать взаимные связиТенденция i образовывать связь с j, с которымон не связан напрямуюТенденция i образовывать связь с j, с которымон не связан напрямуюТенденция j образовывать взаимную связь с i, скоторым он связан прямо и опосредованноТенденция i образовывать связь с j, с которымон не связан напрямуюТенденция i образовывать связь с j, с которымон не связан напрямуюТенденция акторов с входящими связямипривлекать больше входящих связейТенденция акторов с исходящими связямипривлекать больше входящих связейТенденция акторов с исходящими связямиинициировать больше исходящих связейТенденция актора с высоким значениематтитюдов (поведения) привлекать большевходящих связейТенденция актора с высоким значениематтитюдов (поведения) инициировать большеисходящих связейТенденция актора с одинаковымипоказателями аттитюдов (поведения)образовывать связиТенденция актора со схожими показателямиаттитюдов (поведения) образовывать связиТенденция акторов изменять свое поведениеТенденция акторов изменять свое поведениеТенденция акторов, обладающихопределенными аттитюдами (поведением),изменять свое поведениеТенденция i приблизить свои аттитюды(поведение) к аттитюдам (поведению) друзейТенденция популярных акторов изменять своеповедениеТенденция активных акторов изменять своеповедение662.2 Структура исследованияИсследовательская часть работы состоит из десяти аналитическихразделов, посвященных отдельным аспектам изучаемой проблемы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
