Análisis de Datos

Este elemento es una expansión del contenido de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. Puede interesar asimismo el contenido sobre los “Problemas Típicos del Análisis de Datos“. [aioseo_breadcrumbs]

Análisis de Datos en Ciencias Sociales

Nota: véase también la información sobre la Regresión Logística, el Análisis Factorial Exploratorio en Ciencias Sociales, los “Métodos de Investigación en Trabajo Social“, los Modelos de Ecuaciones Estructurales en Ciencias Sociales, la Validez de los Procedimientos de Medición Social, la Regresión Logística Multinomial en Ciencias Sociales, y los Enfoques Metodológicos en el Diseño de la Investigación.

Análisis de Datos en los Métodos de Investigación sobre Redes Sociales (Organizativas)

Los análisis de redes sociales nos permiten comprender las características estructurales de redes enteras y los rasgos estructurales de la posición de cada individuo en la red.

Caracterización de las redes: Centralidad

En esta sección, nos centramos en una de las propiedades a nivel de nodo más importantes en los análisis de redes sociales: la centralidad. La centralidad incorpora un conjunto de conceptos que indican diferentes aspectos de la importancia estructural de los individuos en las redes sociales (Referencia BorgattiBorgatti 2005; Referencia Borgatti y EverettBorgatti & Everett, 2006). En las redes no dirigidas, las medidas de centralidad ampliamente utilizadas incluyen la centralidad de grado, la centralidad de vector propio, la centralidad de interrelación y la centralidad de proximidad.

– La centralidad de grado (Referencia FreemanFreeman, 1979; Referencia Muzio, Aulakh y KirkpatrickWang et al., 2014; Referencia Reay, Goodrick y D’AunnoO’Mahony & Ferraro, 2007) puede considerarse como la popularidad de un actor en el sentido de que comprende un recuento de los vínculos de cada actor. Por ejemplo, en la red de intercambio de ideas ilustrada en la Red de intercambio de ideas, Emily comparte ideas con tres personas, es decir, Avery, Chris y Jack. Por lo tanto, la centralidad de grado de Emily en esta red es igual a tres. La centralidad de grado indica hasta qué punto un actor es visible en la red y hasta qué punto está expuesto a apoyo emocional, consejos relacionados con el trabajo, cotilleos, enfermedades, buenas ideas y otras influencias (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2018).

La centralidad de la interrelación (Referencia FreemanFreeman, 1977; por ejemplo, Referencia Freeman, Harrison y ZyglidopoulosTasselli & Kilduff, 2018) capta la frecuencia con la que un actor determinado ocupa una posición en la red que se encuentra en el camino más corto entre otros dos actores. Esta medida de centralidad se interpreta como el potencial de un actor para desempeñar el papel de guardián que puede controlar los flujos a través de las redes (Referencia BrassBrass, 1984). Por ejemplo, los actores con una elevada centralidad de interrelación pueden filtrar o distorsionar la información que fluye a través de ellos y pueden separar o servir de enlace entre alternos desconectados (Referencia Borgatti, Everett y JohnsonBorgatti, Everett y Johnson, 2013). Como tal, la centralidad de la interrelación puede utilizarse como medida de intermediación si se controla el tamaño de la red de cada individuo (por ejemplo, Referencia Muzio, Aulakh y KirkpatrickOh y Kilduff, 2008). Para la investigación egocéntrica, la medida adecuada es la ego betweenness, que es específica del conjunto de actores conectados directamente con ego. Según la ecuación de la tabla 2, la centralidad de intermedialidad de Emily en la red de intercambio de ideas del equipo es siete, mientras que la de Carol es cuatro. Así pues, en comparación con Carol, Emily tiene más control sobre las ideas que fluyen dentro de este equipo.

La centralidad de proximidad (Referencia FreemanFreeman, 1979; por ejemplo, Referencia Hoffman y JenningsPerry-Smith, 2006; Referencia Zietsma, Toubiana, Voronov y RobertsTsai, 2001) se utiliza a menudo normalizada y capta la distancia entre un actor y otros actores de una red. Es igual a la inversa de la suma de las distancias geodésicas entre un actor y los demás. A continuación, este valor se multiplica por n-1 para su normalización, representando n el número de nodos de una red. Una mayor centralidad de proximidad indica que un actor puede llegar rápidamente a otros actores a través de un menor número de enlaces (Referencia BorgattiBorgatti, 2005). Basándonos en la ecuación de la tabla 2, la centralidad de proximidad de Chris en la red de intercambio de ideas del equipo es de 0,42, mientras que la de Jack es de 0,63. Por lo tanto, es probable que Jack escuche nuevas ideas compartidas en esta red más rápidamente que Chris. Tenga en cuenta que en las redes que incluyen a dos actores completamente desconectados, la distancia entre ellos no está bien definida y la centralidad de proximidad no puede calcularse directamente. Existen algunas opciones para resolver este problema, como recodificar la distancia como el número de nodos (Referencia FreemanFreeman, 1979) o establecer la distancia inversa como cero (Referencia Valente y ForemanValente y Foreman, 1998).

La centralidad eigenvectorial capta la idea de que algunos contactos de la red son más importantes que otros. Es similar a la centralidad de grado en cuanto a que indica la exposición de los actores a los flujos a través de la red, pero se ha descrito como un tipo de centralidad de grado “turboalimentada” (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2013). A diferencia de la centralidad de grado, que considera que cada actor está conectado por igual con el actor focal, la medida del eigenvector asigna un peso a cada actor que está directamente vinculado con el actor focal (Referencia BonacichBonacich, 1972; por ejemplo, Referencia Jensen y WangJensen y Wang, 2018; Referencia Shipilov, Greve y RowleyShipilov, Greve y Rowley, 2010). En concreto, la centralidad eigenvectorial de una persona es una suma ponderada de las centralidades eigenvectoriales de los contactos adyacentes de esta persona. La intuición que subyace a esta medida es que la centralidad de un actor, por ejemplo Avery, depende no sólo de con cuántos actores está conectado Avery, sino también de si Avery conoce a otros influyentes que también son centrales en la red (Referencia BonacichBonacich, 2007).

La centralidad eigenvectorial se interpreta a menudo como el estatus de una persona en una red. Por ejemplo, en la red de intercambio de ideas de la figura 9, Avery está conectada a Emily y Michael a Carol. Así, las centralidades de grado de Avery y Michael son ambas iguales a uno. Pero el único contacto de Avery, Emily, es un miembro destacado de la red en el sentido de que tiene tres conexiones. Así, Avery tiene una centralidad de vector propio mayor que Michael debido a su vínculo con la bien conectada Emily.

Medir la centralidad es más complicado en las redes dirigidas en las que las relaciones entre dos actores pueden ser asimétricas. Mientras que la centralidad de la interrelación puede utilizarse en redes dirigidas, las otras tres medidas requieren ajustes. El principio básico de estos ajustes es considerar que la red tiene dos versiones, y que cada versión representa una dirección de la red. Por ejemplo, para la centralidad de grado, en la red dirigida de dar consejos que se muestra en la figura 5c, podríamos calcular la centralidad de indegrado de Carol, que refleja cuántos consejos recibe de los demás, y la centralidad de saliente, que refleja cuántos consejos da a los demás (Referencia O’BrienWasserman & Faust, 1994). Un enfoque similar se aplica a la centralidad de valor propio y a la centralidad de proximidad (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2018).

Estructuras de red

La investigación de redes suele denominarse análisis estructural (por ejemplo, Referencia Kilduff y KrackhardtKilduff y Krackhardt, 1994) en deferencia a su énfasis en discernir y analizar las características estructurales del mundo social. En esta sección, analizamos algunas de las estructuras básicas que aparecen en las redes sociales.

Una díada está formada por dos actores entre los que existe o bien un vínculo o bien una ausencia de vínculo (Referencia O’BrienWasserman & Faust, 1994). La figura 10 muestra los tres estados diádicos posibles: nulo, es decir, sin vínculo; asimétrico, es decir, un vínculo unidireccional; y recíproco, es decir, un vínculo bidireccional. Una relación asimétrica positiva unidireccional, como la amistad o la provisión de recursos, puede provocar un impulso para que la relación sea recíproca o se disuelva para restablecer el equilibrio (Referencia HeiderHeider, 1958; Referencia Wellman, Wellman y BerkowitzWellman, 1988). En una red social, el grado de reciprocidad puede medirse como la proporción de vínculos recíprocos en relación con todos los vínculos. Por ejemplo, en la red de asesoramiento que se muestra en la figura 5c, sólo el lazo entre Avery y Emily es recíproco, lo que significa que la reciprocidad global es del 11%. Una baja reciprocidad en una red puede indicar jerarquía de estatus, con algunos actores de estatus alto que reciben muchas nominaciones que no reciprocan.

Tríadas. Consideradas desde hace mucho tiempo los bloques de construcción de las redes informales (Referencia Holland, Leinhardt y LeinhardtHolland y Leinhardt, 1977), las tríadas implican a tres actores y la presencia o ausencia de vínculos entre ellos. Las tríadas, en relación con las diadas, prevén la posibilidad de alianzas (dos contra uno), la intermediación (uno intermedia entre los otros dos) y la formación de mayorías y minorías (Referencia Lounsbury y GlynnSimmel, 1950).

La teoría del equilibrio (Referencia HeiderHeider, 1958) nos alerta sobre la importancia de la transitividad triádica en relaciones positivas como la amistad. Ignorando los casos de transitividad vacua que implican, por ejemplo, a tres aislados, la transitividad se refiere a si la tríada está completa. Por ejemplo, si Ann considera amigos suyos tanto a Bill como a Colin, la tríada es transitiva si Bill y Colin son amigos entre sí. El principio de transitividad es importante en la teoría del vínculo débil, en la que un grupo de amistad de tres personas en el que falta el vínculo entre dos se denomina tríada prohibida, prohibida debido a la suposición de una fuerte presión sobre dos personas que tienen un amigo común para que se hagan amigos (Referencia GranovetterGranovetter, 1973).

Los miembros de una díada integrada en una tríada (es decir, diadas simmelianas – Referencia Krackhardt, Kramer y NealeKrackhardt, 1998, Referencia Krackhardt1999) se ven limitados en sus actitudes y comportamientos debido a sus conexiones con un tercero según la teoría (Referencia Lounsbury y GlynnSimmel, 1950) y la investigación empírica (Referencia Krackhardt, Kramer y NealeKrackhardt, 1998; Referencia 75Krackhardt y KilduffKrackhardt y Kilduff, 2002). Pero si una persona está integrada en más de una de estas triadas, puede obtener nuevas ideas y acceso a los recursos por el hecho de ser un “insider múltiple”, es decir, alguien que se beneficia de la cohesión disponible dentro de los grupos cerrados y de la no redundancia que supone poder moverse entre dichos grupos (Referencia Freeman, Harrison y ZyglidopoulosVedres y Stark, 2010).

Una camarilla se refiere a una red completa en la que cada actor está directamente conectado con cualquier otro actor y no tiene ningún vínculo común con nadie fuera de la camarilla (Referencia Luce y PerryLuce y Perry, 1949). Por ejemplo, la figura 11 ilustra la red de interacción entre catorce participantes y cuatro instructores en un campamento de verano de la National Science Foundation en 1992 (Referencia Borgatti, Everett y FreemanBorgatti, Everett y Freeman, 1999). En el campamento hay diez camarillas. Las camarillas pueden surgir a partir de características demográficas compartidas como el sexo y el origen étnico (por ejemplo, Referencia Mehra, Kilduff y BrassMehra et al., 1998). Las personas que tienden puentes entre dos o más camarillas son intermediarios simmelianos (Referencia KrackhardtKrackhardt, 1999) que pueden enfrentarse a presiones paralizantes para conformarse (Referencia KrackhardtKrackhardt, 1999: 206) o que pueden verse liberados para llevar a cabo actividades innovadoras (Referencia Freeman, Harrison y ZyglidopoulosVedres y Stark, 2010) en función de lo bien que se adapten sus disposiciones al reto de intermediación que supone moverse entre diferentes grupos cerrados (Referencia Freeman, Harrison y ZyglidopoulosTasselli y Kilduff, 2018).

La centralización se refiere al grado en que una red está centralizada en torno a uno o unos pocos actores. Se mide como un cociente de las puntuaciones de centralidad de los actores, normalmente sus puntuaciones de centralidad de grado (Referencia FreemanFreeman, 1979). El nominador es la suma de la diferencia entre la centralidad del nodo más central y la centralidad de todos los demás nodos, mientras que el denominador es la máxima puntuación de centralización posible para esa red. La centralización máxima se da en una red en estrella (un actor conectado a todos los demás sin otras conexiones entre actores), como se ilustra en la figura 12. En la red de ayuda que se muestra en la figura 13, la persona más centralizada es Carol, cuyo grado de centralidad es cinco. Así, el denominador = 16: (5-1) + (5-2) + (5-2) + (5-2) + (5-2) + (5-5), mientras que el denominador = 20: (5-1) + (5-1) + (5-1) + (5-1) + (5-1) + (5-5), y la puntuación de centralización = 16/20 = 0,8. Por el contrario, la red social del campamento de la figura 11 no tiene actores centralizados, por lo que la puntuación de centralización es del 7%.

Como característica estructural importante de la red, la centralización de la red afecta tanto a los resultados individuales como a los organizativos. Por ejemplo, en un estudio longitudinal que examinó cómo influían las redes sociales en la eficacia de la implantación de un sistema empresarial, los investigadores descubrieron que las estructuras centralizadas hacían que la implantación tuviera más probabilidades de fracasar (Referencia Lounsbury y GlynnSasidharan et al., 2012). Pero a nivel individual, los empleados con una centralidad de indegree alta informaron del éxito de la implantación incluso cuando trabajaban en unidades centralizadas. Así pues, la centralidad individual y la centralización de la red afectaron conjuntamente a las autopercepciones de éxito de las personas.

Las redes pueden evaluarse en función del grado en que presentan una estructura núcleo/periferia, que, en el extremo, presenta miembros del núcleo conectados con todo el mundo y miembros de la periferia conectados sólo con miembros del núcleo y no con otros miembros de la periferia (Referencia Borgatti y EverettBorgatti y Everett, 2000). En la figura 14, Emily, Chris y Avery son los actores del núcleo, mientras que los otros tres son actores de la periferia.

Existen dos formas de identificar las estructuras núcleo/periferia en las redes sociales (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2018). El método discreto implica un proceso de optimización: Se asigna a los actores ser del núcleo o de la periferia de forma que se maximice la correlación entre la matriz de datos y la matriz ideal, indicada por una medida de ajuste. Esta optimización se asegura de que la partición de actores centrales y periféricos maximice los vínculos núcleo-núcleo y minimice los vínculos periferia-periferia. Aunque este método se ajusta a las características esenciales de una estructura núcleo/periferia, proporciona una descripción demasiado simplificada de la estructura de la red.

El método continuo proporciona una imagen más completa del alcance de la estructuración núcleo/periferia. Este método genera un valor de núcleo a nivel de nodo modelando la existencia o la fuerza de los vínculos entre un par de actores i y j como una función del núcleo de cada actor. Si utilizamos xij para denotar la entrada de la fila i y la columna j en una matriz de red A*, y utilizamos ci para denotar la coreness de los actores i, este método establece xij igual a cicj. Si ambos actores tienen una coreness alta, están conectados; y si ambos actores tienen una coreness baja, no están conectados. A continuación, se aplica un procedimiento de mínimos cuadrados para identificar las puntuaciones de coreness de cada actor con el fin de minimizar la distancia euclídea entre la matriz de datos reales A y la matriz A*. Por ejemplo, la figura 15 ilustra la red de interacción entre los trabajadores en la negociación de salarios más altos en una sastrería de Zambia (Kapferer 1972) y la lista de personas con las puntuaciones de coreness más altas y más bajas generadas a partir del método continuo.

En las organizaciones, las posiciones de núcleo/periferia exponen a las personas a compensaciones entre el apoyo de recursos y las ideas nuevas. Es probable que las personas del núcleo de las organizaciones obtengan los recursos y la legitimidad esenciales para lograr el éxito (por ejemplo, Referencia Hargadon, Thompson y ChoiHargadon, 2006). Pero algunos investigadores teorizan que las personas periféricas tienen más probabilidades de generar nuevas ideas porque se enfrentan a menos presiones para ajustarse a las normas del campo (Referencia Lounsbury y GlynnPerry-Smith y Shalley, 2003). La creatividad de los actores periféricos fue resumida por el polímata Reference O’BrienMichael Polanyi (1963: 1013) de la siguiente manera: “Nunca habría concebido mi teoría, y mucho menos me habría esforzado por verificarla, si hubiera estado más familiarizado con los principales avances de la física que estaban teniendo lugar”. Un punto de vista alternativo es que el mayor rendimiento creativo se encuentra entre las personas que ocupan una posición intermedia núcleo/periferia en sus organizaciones (Referencia Cattani y FerrianiCattani y Ferriani, 2008).

Las redes de mundos pequeños se caracterizan por una alta agrupación local y caminos medios cortos (Referencia Watts y StrogatzWatts y Strogatz, 1998). La agrupación local significa que los actores de la red tienden a estar bien conectados dentro de varias agrupaciones distintas, y la longitud media corta de los caminos significa que cualquier actor de la red puede llegar a cualquier otro actor a través de un número reducido de actores intermedios. La figura 16 ilustra un ejemplo de red de mundo pequeño. En la investigación clásica sobre mundos pequeños realizada por Travers y Milgram (1969), los investigadores invitaron a 396 personas de Nebraska y Boston a enviar por correo una carpeta directamente a un corredor de bolsa del área de Boston si conocían personalmente a este individuo, o a enviar la carpeta a un conocido personal que pudiera conocer al individuo. En este estudio, sesenta y cuatro carpetas fueron entregadas con éxito al agente de bolsa. El número medio de intermediarios para estas cadenas de entrega fue de 5,2. En una investigación de seguimiento similar, se invitó a 540 personas blancas de Los Ángeles a generar cadenas de conocidos para una persona objetivo blanca o negra de Nueva York. Resultó que el 33% de las personas completaron las cadenas blanco-objetivo y el 13% completaron las cadenas negro-objetivo.

Las redes de mundo pequeño son características del mundo real, pero también aparecen en la percepción que tienen las personas de sus redes. Una investigación cognitiva sobre redes sociales demostró que, dadas las dificultades para organizar y seguir incluso las redes sociales pequeñas en las organizaciones, la gente utilizaba los principios del mundo pequeño en sus percepciones de las redes de amistad. Las personas percibían a sus compañeros de trabajo como si interactuaran en grupos densos, con conexiones a través de los grupos entre las personas más populares dentro de los grupos. Las redes reales no mostraban características de mundo pequeño, mientras que las redes percibidas exhibían características de mundo pequeño de agrupación y conectividad (Referencia Kilduff, Crossland, Tsai y KrackhardtKilduff et al., 2008).

Para comprender hasta qué punto una red muestra propiedades de mundo pequeño, calculamos el cociente de mundo pequeño (Referencia Watts y StrogatzWatts y Strogatz, 1998) como se ilustra en la Tabla 3. El cociente se compone de dos criterios: la medida en que la red muestra una agrupación mucho mayor que una red aleatoria del mismo tamaño y la longitud media de la ruta. El coeficiente de agrupamiento mide la interconexión media de los alter ego en una red. Tomemos una red de amistad, por ejemplo: el coeficiente de agrupamiento es igual al grado en que los amigos del ego son también amigos entre sí, promediado entre todos los egos de la red (Referencia ZhaoWatts, 1999). La longitud del camino entre dos actores de una red es igual al menor número de lazos que un actor necesita atravesar para llegar al otro actor (Referencia Watts y StrogatzWatts y Strogatz, 1998). Si se toma la media de todas las longitudes de los caminos individuales entre todos los actores individuales conectados, se genera la longitud media del camino en una red. A continuación, se ajustan los valores del coeficiente de agrupación y de la longitud media del trayecto para tener en cuenta las propiedades de una red aleatoria del mismo tamaño y densidad, ya que las redes densas presentan más agrupación y longitudes de trayecto más cortas. En una red aleatoria con n nodos y k vínculos medios por nodo, el coeficiente de agrupación esperado es k/n, y la longitud de trayectoria esperada es ln(n)/ln(k) (Referencia Dorogovtsev y MendesDorogovtsev y Mendes, 2003). El coeficiente de agrupación real y la longitud de trayectoria real se dividen por los valores esperados correspondientes, generando una relación de coeficiente de agrupación y una relación de longitud de trayectoria. La relación de estos dos coeficientes produce entonces el cociente del mundo pequeño.

Comprobación de hipótesis

Los modelos analíticos estándar son útiles si los análisis implican características de la red (por ejemplo, centralidad, restricción) a nivel de nodo (por ejemplo, persona, departamento, organización) como variables dependientes o independientes (por ejemplo, Referencia Reay, Goodrick y D’AunnoTasselli et al., 2020; Referencia Lounsbury y GlynnVenkataramani et al., 2016; Referencia Tortoriello, McEvily y KrackhardtTortoriello, McEvily y Krackhardt, 2015). Por ejemplo, una investigación examinó las trayectorias profesionales de los entrenadores en la NFL a lo largo de treinta y un años para comprobar si tener una conexión en el lugar de trabajo con un líder prestigioso del sector (es decir, una conexión de acólito) afectaba a la probabilidad de que un entrenador obtuviera un ascenso inicial (Referencia Kilduff, Crossland, Tsai y BowersKilduff et al., 2016). La variable independiente, la condición de acólito, indicaba la existencia de dicha conexión social. El análisis utilizó una regresión logística estándar de efectos aleatorios para analizar los datos longitudinales, en la que el estatus de acólito era la variable independiente y la certeza evaluativa (medida como el grado en que se disponía de información relativa al rendimiento laboral relevante de un individuo) actuaba como variable moderadora. Los resultados mostraron que los acólitos se beneficiaron inicialmente, en términos de ascensos, de los vínculos poco sólidos entre su calidad inobservable y las señales ofrecidas por sus vínculos con los líderes del sector, pero también sufrieron, tras los ascensos iniciales, en términos de menos ascensos posteriores o traslados laterales y más descensos, a medida que se hacía evidente la poca fiabilidad de las señales de las redes sociales.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

A veces, sin embargo, las medidas de red no se resumen a nivel individual. Los datos muestran una dependencia sistemática. Por ejemplo, en una investigación se examinó si 170 miembros de una clase de máster en administración de empresas (MBA) que estaban conectados en una dimensión, la amistad, mostraban solapamiento en otra dimensión, a saber, la similitud en las organizaciones con las que se entrevistaban para buscar trabajo (Referencia KilduffKilduff, 1992). Las matrices de amistad y similitud organizativa contenían 28.730 observaciones sobre todas las parejas posibles de personas. Estas observaciones no eran independientes entre sí. Así, la correlación de similitud organizativa entre Chris y Carol no era independiente de la correlación de similitud organizativa entre Chris y Jack porque ambas observaciones contenían los mismos datos de Chris. Este tipo de datos puede presentar una autocorrelación que puede generar estimaciones sesgadas con las pruebas de mínimos cuadrados ordinarios (MCO).

Una solución al problema de la autocorrelación es el procedimiento de asignación cuadrática (QAP), que estima la significación de una correlación entre matrices, y el procedimiento de regresión múltiple-QAP (MRQAP), que estima la significación de los coeficientes beta de los análisis de regresión (Referencia Huber y SchultzHuber y Schultz, 1976; Referencia KrackhardtKrackhardt, 1988; Ej, Referencia Brands y KilduffBrands y Kilduff, 2014; Referencia Labianca, Fairbank, Thomas, Gioia y UmphressLabianca et al., 2001; Referencia Pastor, Meindl y MayoPastor, Meindl y Mayo, 2002). Para estimar la significación de una correlación o un coeficiente beta, estos procedimientos no paramétricos generan una distribución de referencia a partir de los datos específicos que los investigadores han recogido. Esto implica permutar repetidamente filas y columnas de una matriz (la matriz dependiente para MRQAP) en el análisis mientras se mantiene constante la otra matriz o matrices para generar una distribución de referencia de correlaciones o coeficientes con la que se pueda comparar el valor observado (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2018).

Los modelos de grafos aleatorios exponenciales (ERGM) también abordan los retos analíticos derivados de las dependencias múltiples en los datos de redes sociales (Referencia Daraganova, Robins, Lusher, Koskinen y RobinsDaraganova y Robins, 2013), y permiten a los investigadores modelar características de las redes, como los vínculos recíprocos y las tríadas, como resultados de factores explicativos. Los investigadores de organizaciones (por ejemplo, Referencia Lomi, Lusher, Pattison y RobinsLomi et al., 2014; Referencia Zietsma, Toubiana, Voronov y RobertsRank, Robins y Pattison, 2010) utilizan cada vez más los ERGM para modelar la formación de vínculos. Por ejemplo, basándose en los análisis ERGM, Referencia BrenneckeBrennecke (2020) identificaron factores que explicaban la formación de vínculos disonantes en las organizaciones, es decir, vínculos con colegas que son difíciles pero que pueden ayudar a resolver problemas relacionados con el trabajo. A diferencia de los QAP y los MRQAP, que controlan la dependencia de la red, los ERGM modelan e interpretan tanto la estructura como la aleatoriedad de las redes sociales, lo que permite a los investigadores especificar las fuentes de dependencia (Referencia Borgatti, Everett y JohnsonBorgatti et al., 2018). También permiten a los investigadores investigar los vínculos en múltiples niveles o a través de diferentes redes (Referencia Audia y GreveWang, 2013).

Las redes sociales son dinámicas por naturaleza. Recientemente, se ha prestado más atención en la investigación a la interacción entre los procesos psicológicos de los individuos y el cambio en las redes (Referencia Hoffman y JenningsTasselli y Kilduff, 2021). Este enfoque de investigación cada vez más popular se ha visto facilitado por el desarrollo de programas analíticos como SIENA (Simulation Investigation for Empirical Network Analysis) (Referencia Muzio, Aulakh y KirkpatrickRipley et al., 2022) basado en el enfoque de modelado estocástico orientado al actor (Stochastic Actor-Oriented Modeling, SAOM) (Referencia Reay, Goodrick y D’AunnoSnijders, 2001, Referencia O’Brien2005). Este método permite a los investigadores examinar cómo coevolucionan los atributos, actitudes y comportamientos de las personas con las características estructurales de las redes sociales a lo largo del tiempo (Snijders, Reference Zhaovan de Bunt y Steglich, 2010). Hasta ahora, SIENA se ha aplicado a la investigación organizativa sobre los cambios en las redes (por ejemplo, Reference Audia y GreveSchulte, Cohen, & Klein, 2012; Reference Baker y BulkleyBaker & Bulkley, 2014). Por ejemplo, un estudio sobre la posición en las redes sociales y la rotación de personal demostró que las personas que pensaban más en dejar su trabajo tenían más probabilidades de cambiar su red de consejos y mantener su red de amistades existente, aunque el cambio de redes no afectó a las actitudes de rotación de personal de las personas (Referencia Lounsbury y GlynnTröster et al., 2019).

La dirección de la causalidad es un problema en la investigación de redes sociales, incluso si los datos reflejan un cambio de red. La estructura de la red no es una variable exógena (Referencia Borgatti y HalginBorgatti y Halgin, 2011: 1178), sino que se deriva de las características, comportamientos y acciones de los actores; estos, a su vez, ejercen influencia sobre las oportunidades de acción. En algunos enfoques analíticos, se asume una evolución continua de la red (Referencia O’BrienSnijders, 2005). Así, surge el problema de la endogeneidad porque “los actores no se asignan aleatoriamente a las posiciones” (Referencia Borgatti, Brass y HalginBorgatti, Brass y Halgin, 2014: 20). Los nuevos enfoques estadísticos (por ejemplo, Referencia ZhaoSnijders et al., 2010) ayudan a mejorar este problema modelando el cambio de red y de atributos simultáneamente. Alternativamente, los experimentos de redes sociales pueden aportar pruebas en apoyo de la causalidad para complementar los estudios correlacionales.

Revisor de hechos: Gibbons

Contenido

Ver el Esquema de Métodos de Investigación en Trabajo Social.

Recursos

Véase También

Introducción a los Métodos de Investigación Cualitativa, Investigación de Métodos Mixtos, Investigación Cualitativa en Gestión Empresarial, Investigación Cualitativa en Educación, Investigación Estadística en Gestión Empresarial, Diseño de Investigación, Métodos de Investigación en Comunicación, Métodos de Investigación en Educación, Métodos de Investigación en Trabajo Social, Métodos de Investigación en Sociología, Investigación para Disertaciones, Regresión logística, Multinomio probit, Estadística, Algoritmos, Redes Sociales

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.