Exploratory Social Network Analysis with Pajek（第三版）4-2

4.5 时间平衡理论的发展

平衡理论期望平衡的趋势。。随着时间的推移，人类群体内的情感关系被假设为变得更加平衡或可聚类。这就提出了如何分析社交网络演变的问题。在本节中，我们讨论分析纵向网络的最简单方法，即通过比较不同时间点的网络结构。
桑普森在五个时刻测量了修道院的情感关系。在第一次测量（T1）时，该组主要由很快离开寺院到别处学习的沙弥组成。第二个测量值（T2）关注一些新人到来之后的时期。第三个测量（T3）显示了在一位沙弥（Gregory）组织会议讨论修道院情况时的情感联系。这次会议助长了两极分化的过程，导致四名沙弥（其中包括Gregory）在第四次测量（T4）一周后被开除。在接下来的几周内，驱逐引发了许多沙弥的自愿离开。在第五次测量（T5）时，十八个沙弥中不超过七个还住在寺院，所以这个网络很难与之前的网络相提并论。我们仅分析 T2、T3 和 T4 的网络。
应用
Pajek 具有用于纵向网络的特殊功能。

图 48 显示了网络文件 Sampson.net 的一部分。到目前为止，顶点和弧列表的结构已经很熟悉了，所以重点是添加到每个顶点和弧的方括号中的时间指示符。例如，John Bosco 从 T2 到 T4 都在寺院。他在T5之前离开了。 Gregory 和 Basil也是如此
Pajek 假设时间指示符在遇到新指示符之前一直有效（例如，在 T1 之后离开修道院的 Martin）。Bonaventure在第一次测量之前到达了修道院，在最后一次测量之后他留下了。星号 (*) 表示无穷大。
在 T3 处，从顶点 6 (John Bosco) 到顶点 7 (Gregory) 的弧值为 2，表示积极的第二选择。然而，在 T4，它变成了第二个否定选择（边值 –2）。在图 48 中，最后一行表明 John Bosco 在 T2 和 T3 选择 Ramuald（顶点 17）作为他最不喜欢的人（线值–3）。请注意，时间始终由正整数表示，并且必须在弧和边列表中的时间指示之前指定边值。
Network> Temporal Network> Generate in Time

时间标志可用于将纵向网络拆分为不同时刻或周期的单独网络。子菜单 Network> Temporal Network> Generate in Time 为用户提供了几个用于生成一系列横截面网络的命令。首先，您可以选择为每个请求的时期获取一个网络（选项all）或仅在它与前一个不同时生成一个网络（选项only different）。如果网络随时间变化不大，则后一个命令很有用。无论您选择哪个命令，您都必须指定要分析的第一个和最后一个时间点以及连续网络之间的时间间隔（步长）。在我们的示例中，我们从 T2 开始（输入 2）并在 T4 停止（输入 4），并且我们希望在其间的每个时刻都有一个网络，因此我们选择步长值 1。步长值必须是正整数。例如，步长值为 2，从第一个时刻开始，该命令将为第一个、第三个和第五个时刻创建一个网络，依此类推。
请注意，当顶点从网络中消失（如 T5 时）或添加新顶点时，生成的网络中的顶点序列号会发生变化，因为Pajek 中的顶点的数量必须始终介于 1 到 顶点数量之间。结果，伴随原始纵向网络的partition 可能与生成的横截面网络不匹配。因此，Generate in Time 命令会自动为每个从活动partition 生成的网络创建新的partition ，前提是它与原始纵向网络匹配。活动向量也是如此。
在为单独的时刻生成网络后，您可以使用上一个和下一个命令轻松地从一个时刻切换到另一个时刻，前提是在Options>
Previous/Next> Apply to 绘图屏幕中的子菜单中选择了 Network 。如果选择了 Options>Previous/Next> Optimize Layouts 子菜单中的一个能量选项，Pajek 会在您进入下一个或上一个网络时自动为网络进行能量布局。检查所有生成的网络以检查结果是否符合预期是明智的。时间指标的错误可能会造成严重的后果；例如，如果Bosco 在 T3 不存在 - 错误地，指示器读取 [2,4] 而不是 [2-4] - 所有与他相连的弧边都从 T3 的网络中删除。
生成了 T2、T3 和 T4 的网络后，我们可以使用 Network> Signed Network> Create Partition> Doreian–Mrvar Method∗ 命令分析每个时期的平衡度或可聚类性。表 6 显示了与多个聚类和不同时间点的最佳聚类相关的误差值。

一些最佳解决方案很难找到；在某些情况下，您可能需要数千次重复。请注意，网络现在由 T2、T3 和 T4 处的所有三个正选择和负选择组成。第一个选择计数三倍（第一个正面和负面选择的行值分别为 3 和 –3），第二个选择计数两倍（值 2 或 –2），第三个选择计数一次（1 或 –1）。误差值是根据这些边值计算得出的，这就解释了为什么它与上一节中的误差值相比相当大：被禁止的第一选择对误差值的贡献是 0.5 (α) 乘以 3 而不是 0.5 乘以 1。
表 6 有助于得出关于沙弥网络中平衡和集群能力演变的结论。随着时间的推移，每个聚类都更适合，并且具有三个聚类的partition 在任何时候都最适合，因此我们可以得出结论，存在聚类而不是平衡的趋势。这可能是由于一个两极分化的过程，当几个沙弥离开寺院时就结束了。人类群体可能会经历有限的两极分化时期，而不是持续趋向于平衡或可聚集的趋势，这反映在日益平衡或可聚集的情感联系模式中。

4.6 小结

在本章中，我们讨论有符号网络中的内聚子群，即具有正负关系的网络。如果关系代表感情，那么彼此喜欢的人往往会挤在一起，而负面情绪则主要存在于群体之间。该原理源于平衡理论，并已推广到具有三个或更多簇（Cluster）（集群性）的组。平衡和集群性发生在对立团之间的两极分化时期。
我们可以通过寻找满足在簇（Cluster）中找到正边和在簇（Cluster）之间找到负边的原则的划分或聚类来确定情感联系是否根据平衡理论进行模式化。如果一个有符号的网络可以按照这个原则划分成两个簇（Cluster），那么这个网络就是平衡的。具有三个或更多集群的partition 是可聚类网络。
不符合平衡理论原则的加权边数，即簇（Cluster）内负边和簇（Cluster）间正边，表示网络中的平衡或可聚类程度。这称为最佳拟合聚类的误差值。对于一个网络，我们比较不同数量的聚类的误差值以找到最佳聚类。如果误差值是可接受的，则集群代表有内聚性的组。此外，我们可以比较网络在不同时刻的误差值，以检查组结构是否显示出预测的平衡趋势