Exploratory Social Network Analysis with Pajek（第三版）10

十、 等级

10.1 引言

在社会科学中，社会被视为一组社会层或阶层。不是按照连续的声望等级对个人、团体或组织进行排名，而是通常将它们分为一组有限的离散等级，例如工人阶级、中下层、中上层和上层阶级。在一群人中，也会出现离散的排名，例如，领导者、追随者和弃儿。艺术界分为明星、定居艺术家和平庸艺术家可能是另一个例子。在本章中，我们将讨论从社会关系中提取离散等级的技术。
社会等级可以是正式的也可以是非正式的，两种排名可以并存。在正式的排名中，写下谁在指挥谁，徽章或符号可以最大限度地减少等级的模糊性，并防止对一个人的等级产生任何混淆。军队是一个明显的例子，其等级制度复杂。相比之下，非正式排名既不写下来也不用官方符号表示。它体现在人们对彼此的意见和行为中：尊重和顺从与不尊重和支配。
非正式等级的创建和维护是一个非常重要的社会过程。需要进行社会网络分析来对其进行调查并评估个人在非正式等级中所占据的位置。如果存在正式等级，将其与非正式等级进行比较会很有趣，因为它们不需要匹配，就像非正式沟通模式经常偏离官方沟通结构一样。
社会等级的结构概念是对第 4 章中介绍的平衡理论的扩展。平衡理论将人们分配到彼此之间没有等级的群组（Cluster）。在一个群组（Cluster）内，人们倾向于彼此喜欢，但不喜欢其他群组（Cluster）的成员。在群组（Cluster）内以及群组（Cluster）间，假设有联系,那应该是对称的，您应该回报您收到的情绪或选择。从这个角度阐述，不对称关系，例如，A 向 B 报告，但 B 不向 A 报告，表明等级：B 等级高于 A。

10.2 示例

我们的示例是 斯洛文尼亚卢布尔雅那大学学生会成员中11 个学生之间的讨论关系网络 (Student_government.net)。学生们被要求表明他们与谁非正式地讨论了有关大学管理的问题。我们假设这种关系表示尊重：学生会选择他们尊重的伙伴。因此，我们希望该网络显示非正式等级。

在学生会中，学生拥有传递信息正式等级的职位：学生会主席、部长和顾问。在图 85 中，顶点颜色表示学生在议会中的正式位置（partition student_government.clu）。我们将正式等级与我们从讨论关系的网络分析中得出的非正式等级进行比较。

10.3 三元组分析

在分析学生会讨论网络中的排名之前，我们必须讨论一次平衡理论。第4章中，我们了解到，可以将平衡或可聚类的网络划分为群组（Cluster），以便所有积极的选择都发生在群组（Cluster）内，而所有的消极选择都在群组（Cluster）之间找到。如果我们用缺省选择代替消极的选择，那么在群组（Cluster）中可以找到积极的选择，但在群组（Cluster）之间不会发生选择：人们倾向于从自己的群体中选择成员，而不是从其他群体中选择成员。因为缺席选择不应该出现在一个群体中，所以每个积极的选择都必须得到回报。
因此，我们可以重新表述简单有向网络中两个顶点（二元组）之间的联系类型的平衡理论：相互选择表示组成员身份，而相互缺席或空选择表示不同组的成员身份。当然，这预设了被调查的社会关系意味着一个积极的选择，而一个缺席的选择等同于一个消极的选择。

• 二元组是一对顶点和它们之间的边。

在图 86 的有向网络中，顶点 v5、v7 和 v8 构成了一个群组（Cluster），因为它们通过相互选择（完整的二元组）连接，
顶点 v4 和 v9 构成另一个群组（Cluster）。这两个群组（Cluster）由缺失的行或空对子分隔。
相互的选择和相互缺席的选择都是对称的：你付出多少就得到多少。对称二元组表示等价，因此我们假设由对称关系链接的顶点属于同一等级。然而，第三种类型的二元关系是不对称二元组：一个人选择另一个人，但这种选择没有回报。不对称的二元组表示等级。在不对称的二元组中，假设积极选择的接收者排在发送者之上，前提是被选中表达了尊重或赞赏：前者可以承担不回报后者的选择。在图 86 中，顶点 v6 排在 v9 和 v4 之下，其中， v9 和 v4排在 v2 和 v3 之下。
为了捕捉有向网络的结构，我们必须从二元组到三元组。在一个简单的有向网络中，可能会出现 16 种类型的三元组，如图 87 所示。

正如 Davis、Holland 和 Leinhardt 所提出的，三元组类型由三位数的 M-A-N 数标识（有时字母）。第一个数字表示双向正二元组（M），第二个数字是不对称二元组(A)，第三位数字是空二元组 (N)。有时会添加一个表示不对称选择方向的字母以区分具有相同 M-A-N 数字的三元组：D 表示向下，U 表示向上，C 表示循环，T 表示传递（稍后解释）。
已经表明，可以从出现的三元组类型推断出有向网络（或完整的有符号网络）的整体结构。了解这一发现的后果非常重要：分析小型子网络（大小为 3）就足以了解整个网络的结构！我们不必检查所有半环来确定网络是否符合平衡理论模型，就像我们在不完全符号网络中所做的那样（第 4 章）。
例如，如果一个有向网络是平衡的，则十六种三元组中只有两种出现，即三元组 300 和 102。每个群组（Cluster）都是一个团，因此一个群组（Cluster）中三个顶点的每个子集都是一个完整的三元组，如三元组 300 (例如，图 86 中的顶点 v5、v7 和 v8）。如果两个顶点属于一个群组（Cluster），而第三个属于另一个群组（Cluster），我们会遇到一个三元组，其中两个顶点对称链接，因为它们属于同一个团（例如，图 86 中的顶点 v5 和 v8），但它们没有连接到属于另一个集团的第三个顶点（例如，图 86 中的顶点 v9）。这由三元组 102 表示。没有其他可能性，因此这两种三元组类型确定了整个网络结构的平衡模型（第一种）。如果一个网络只包含这两种类型的三元组，那么我们就知道该网络由两个互不相关的团组成。
随着时间的推移，已经发现了四个用于有向网络整体结构的附加模型（不含平衡模型），我们现在介绍这些模型。这些模型有一个非常重要的特性，即它们逐渐允许出现更多类型的三元组。换句话说，我们提出的每个模型都比前一个模型限制更少。第二种模型，例如可聚类性模型，放宽了平衡模型对网络不超过两个团的要求。一个可聚类的网络可能包含三个或更多群组。因此，三元组 003 允许出现在可聚类网络中，因为它包含属于三个不同聚类的顶点。两个平衡的三元组（300 和 102）也是允许的，因为它们仍然引用一个群组（Cluster）内的顶点或两个群组（Cluster）的顶点。聚类模型比平衡模型更宽松：它允许多一种三元组类型。
类似地，等级聚类模型（第三种）扩展了聚类模型，因为它允许聚类分布在不同的等级上。不同等级的群组（Cluster）由不对称的二元组连接：较低群组（Cluster）中的每个顶点向较高群组（Cluster）中的所有顶点发送单边选择。因此，允许包含不对称二元组的五个三元组：120D、120U、021D、021U 和 030T。以120U 为例，底部的两个顶点属于一个簇（Cluster，因为它们由双向选择连接。顶部顶点通过不对称关系连接到它们：它被选择但不相互选择，因此它必须属于更高的等级。
如果一个网络除了平衡的或可聚类的三元组之外还包含这些三元组，则可以根据在群组（Cluster）内找到相互选择、不对称选择中指向更高等级的选择、以及在群组（Cluster）之间出现空选择，等标准将网络划分为等级关系和和一个等级之内的群组（Cluster）关系。在我们的等级网络示例中（图 86），顶点 v4、v6 和 v9 构成 120D 三元组，030T 三元组包含顶点 v1、v5 和 v10。
有两个模型放宽了等级聚类模型的标准。第一个模型是传递模型（第四种）。在传递三元组中，每条长度为 2 的路径都由从路径的起始顶点到结束顶点的弧封闭。如果参与者 A 服从参与者 B，参与者 B 服从参与者 C，参与者 A 也服从参与者 C 在传递三元组中。在等级制度中，关系通常是传递性的，但传递性是一种在许多其他社会关系中也存在的效果，例如，“认识某人”的关系通常是传递性的。
平衡、可聚类和等级聚类三元组是可传递的，但包含单个非对称选择的 012 三元组也是可传递的，因为它不违反间接选择与直接选择平行的规则； 012 三元组根本不包含间接选择。在等级聚类模型下，012三元组意味着三个顶点属于一个等级中的不同群组（Cluster），因为它们由于两个空二元组成，同时两个顶点由于不对称二元组而被排名。显然，这是一个矛盾。然而，在传递性模型下，等级之间允许空选择。没有必要让一个较低级别的人选择所有较高级别的人。例如，男孩和女孩可能有独立的等级系统，这些系统是完美等级的群组（Cluster），但男孩可能会忽略女孩，反之亦然。
另一个放宽等级聚类模型标准的模型是等次聚类模型（第五种），也称为等次 M 聚类模型。该模型允许组内的不对称二元组，只要它们是无环的。在一个群组内，不对称的二元组应该在一个组内表达一种温和的等级形式，并且与任何类型的等级一样，这种排名必须是非环型的。顶点集 v1、v5、v7 和 v8（图 86）是层次聚类的一个示例。顶点 v1 通过两个 120C 三元组连接到其他顶点。顶点v7不回馈v1的选择，v1也不回馈v5的选择，所以这三个顶点有等级；但是由于对称的二元组，顶点 v5 和 v7 也是具有顶点 v8 的群组的一部分。
其余五种三元组在任何模型下都不会出现。我们可以说它们是被禁止的：它们与所有平衡理论模型和基于对称非对称二元组的模型的假设相矛盾。如果这些三元组经常出现，我们应该怀疑我们是否可以根据平衡理论原则对数据进行聚类和排序。表 16 总结了这些模型。

让我们将平衡理论模型应用于示例网络（图 86）。表 17 显示了在该网络中找到的三元组的数量，按它们所属的平衡理论模型排列。这种分布被称为三元组人口普查。这些模型按照表 17 中列出的顺序限制较少，标准做法是通过适用的限制最少的模型来表征网络的整体结构。毕竟，限制较少的模型涵盖了所有限制较多的模型，因为它也允许限制较多的的三元组。

不幸的是，社交网络很难完全符合平衡理论模型。每种类型可能至少出现一次，因此存在一个三元组并不意味着必须应用相关模型。我们必须将三元组普查与三元组类型的分布进行比较，这是偶然的。如果某个特定的三元组类型明显比预期的更频繁地出现，则可以说相应的模型指导或影响关系：网络中存在平衡性、可聚类性、等级聚类、传递性或层次聚类的趋势。如果模型解释了网络结构，则禁止三元组的出现频率应该低于偶然预测的频率。
表 17 显示了示例网络的三元组普查。标题为“三元组数”的列显示了示例网络中的三元组计数，“预期”列列出了在包含此弧数的这种大小的网络中随机预期的三元组数。如果实际频率接近预期频率，则网络不符合任何平衡理论模型，我们可以得出结论，从平衡理论的角度来看，它的结构是随机的。但是，在我们的示例中似乎并非如此。
在示例网络中，某些类型的三元组出现的频率大大高于或低于随机预期的频率。这些频率在表中以斜体字打印。示例网络似乎包含相对较少的可聚类三元组，但许多平衡三元组，一些等级聚类（120D）尽管其他等级聚类三元组的出现频率低于预期（021D 和 021U），并且具有传递性但并不令人惊讶的分层聚类数量三元组。被禁止的三元组出现在机会级别或更少（021C 和 111U），因此我们不必丢弃所有平衡理论模型。该网络最合适的模型似乎是传递性模型，它允许聚类和等级，但并不要求等级之间的所有联系都是不对称的。
我们应该注意到，我们的预期频率只考虑了网络中的顶点和弧的数量。三元组普查条件的标准统计检验，包括入度、出度和相互选择的数量，即表示在二元组水平相互选择的趋势。这些统计检验可能会产生不同的结果（见第 13 章）。
三元组普查是集中于局部结构的研究策略的一个例子，因为它只考虑三元组内部的联系。对网络整体结构的影响通常被认为是理所当然的，并且没有付出太多努力来将顶点分配给群组和等级。三元分析是检验有关个体参与者联系假设的统计模型的基础：为什么他们建立一些联系而不建立其他联系？他们的选择是出于平衡、传递性吗？
应用
在 Pajek 中，计算 triad census 非常容易：只需使用Network> Info> Triadic Census adic Census 命令。一个对话框询问是否应该报告模型，如果选择此选项，三元组类型（“Type”）、它们的实际频率（“Number of triads [ni]”）以及随机预期的频率（“Expected [ei]”）被报告。此外，显示了实际和预期三元组数之间的相对差异（“[ni-ei]/ei”），以及检验实际频率等于预期频率的假设的卡方统计量。如果预期频率较低，则此统计数据不可靠。三元组计数和预期频率也存储在两个向量中。

表 18 包含学生会网络的三元组普查。学生会网络五分之三的禁止三元组比随机预期的频数小（三元组 021C、111U 和 030C），实际与预期比率的负值也表明了这一点，因此有人支持对称和非对称关系的基本思想适用于此。
那么，网络的特征是什么结构？学生会网络包含的平衡三元组（三元组 102）比偶然预期的要多，但聚类性三元组（003）的数量与随机偶然预测结果基本相同，因此划分为两个群组似乎就足够了。一些排序的群组三元组偶然出现的频率与预期的一样多；但是 120D 三元组的数量，表示对相互连接的对的不对称选择，远高于预期频率（差值（实际 - 预期）与预期三元组数量之比为 2.72），因此我们应该得出结论网络等级。最后，识别传递性模型 (012) 的三元组的数量与随机网络中的预期数量相匹配，并且分层群组三元组的出现频率也不会比偶然预期的多。
等级聚类模型似乎是该数据集的最佳选择，因为它允许三元组 120D、120U 和 021U，这些三元组出现的频率明显高于偶然性；但它也允许与更严格的模型相关联的三元组（即，两个平衡的三元组 300 和 102）。通过这种方式，等级聚类模型包含所有类型的三元组，这些三元组在学生会网络中出现的频率明显高于偶然预期。卡方统计量非常显着：三颗星表示它在 0.001 水平上具有统计显着性（一颗星表示在 0.05 水平上的统计显着性，两颗星表示 0.01 水平），因此等级聚类的趋势是考虑到网络的密度，偶然高于预期。然而，我们应该注意到，六个三元组的预期频率少于五个，而一个三元组（300）预计出现少于一次。这对卡方度量的可靠性产生了一些疑问。

10.4 非环型网络

在有向网络中，排序与不对称性有关：表示“自我服从他人”关系的弧指向上方，而不是下方。三元分析将此原理应用于三元组，即局部结构，但它也可以应用于有向网络的整体结构。在一个完美反映层次结构的网络中，所有弧都应该指向上方，并且没有弧从较高等级指向较低等级。这称为非环型网络。重要的是要注意这样的网络不能包含环，因为环将包括向上的弧和指向向下的弧以返回其起始点。

• 非环型网络不包含环。

我们将等级与非环型结构联系起来；例如，士兵服从于中士，中士服从于上尉，上尉服从于上校，等等。指向错误方向的弧（例如，上校出于任何神秘原因服从于士兵）与我们的等级观念相矛盾。这条弧在网络中创造了一个环，甚至可能使整个网络循环，最终每个人都服从每个人。
当非环型结构指向等级时，环型结构与一个等级内的群组（Cluster）相关联，因为它们表明其顶点之间的相等性。在短期（例如，在对称二元组中）或长期（例如，在包含许多顶点的反馈回路中），选择是相互的。从这个角度来看，我们可以将有向网络划分为等级：环型子网表示等级内的群组，非环型结构将等级链接到层次结构中。
幸运的是，检测网络的环型部分很容易，而且您已经掌握了这样做的技术。回想一下，强组件是一个最大子网络，其中每个顶点都可以到达其他每个顶点（第 3 章）。强组件内的所有顶点对之间都有双向路径，因此强组件根据定义是环型（子）网络。不属于强组件的弧不能属于循环，因此它们是非环型结构的一部分。事实上，如果我们压缩网络的强组件，网络就会变成非环型的。

图 88 显示了学生会讨论网络中的强组件（为了清楚起见，我们用粗边替换了双向弧）。共有三个组件，如果仔细观察，强组件之间的弧边都指向同一个方向：从白色（红色）组件到灰色（绿色）组件，再到黑色（黄色）组件。这在图 89 中非常清楚，它显示了压缩强组件后的网络。请注意，学生会主席被包括在层次结构顶部的强组件中，这符合他的正式职位。

应用
在第 3 章中，我们学习了使用命令 Network> Create Partition> Components> Strong 来识别网络中的强组件。此命令创建partition，其中为每个强组件分配一个类号 。我们建议将组件的最小尺寸设置为 1；否则，advisor2 的“红色”组件将无法识别（图89中的advisor2）。
第 2 章介绍了压缩网络的命令。本案没有复杂性：确保学生会讨论网络和强组件partition 在下拉菜单中，执行Operations> Network + Partition> Shrink Network。在对话框中，要求群组之间至少有一个连接，并且不要压缩群组编号 0 或任何其他不存在的群组。如果网络根据强组件划分进行压缩，我们得到三个顶点，如图 89 所示

10.5 对称-非环型分解

在三元分析中（10.3 节），一个等级内的群组（Cluster）必须是完整的。在许多社交网络中，这个标准过于严格。通常，由于测量技术和被调查者的社会或认知限制，社交网络包含每个人做出的有限数量的选择。例如，被要求回忆与谁非正式地讨论过特定问题的受访者可能会提及他们最重要的联系人，而不是与他们仅就该主题接触过的每个人。从这些数据构建的网络不会产生完全群组。
相反，强组件似乎不够严格，无法识别等级内的群组（第 10.4 节）。在学生会讨论网络中，如果我们可以细分黑色（黄色）部分，这将是很好的，它目前包含一组异质的参与者：顾问、部长和学生会主席。
对称-非环型模型是一个合适的替代方案。它使用了一种对称与不对称原理的版本，该原理不如平衡理论假设严格，但比强组件的非环型特征更严格。它假设通过对称（即相互）选择直接或间接链接的顶点属于一个群组（Cluster），因此属于一个等级。仅通过不对称关系链接的群组会被排名。
该模型对群组的内部结构的限制特别少，因为它允许群组内的不对称和零对子；例如，如果顶点 u 通过对称关系链接到顶点 v 和 w，则它们属于一个群组（Cluster），而不管 v 和 w 之间的关系如何，v 和 w 之间可能是对称的、不对称的或空的。平衡理论模型从不允许群组内有零对子，并且不对称的对子可能仅在分层群组模型中的特殊条件下出现。
很容易识别通过相互选择连接的顶点群组（Cluster）：只需从网络中删除所有单边弧并计算组件。每个组件都是一个顶点群组（Cluster），它们由对称的 dyads 链接。图 90 显示了学生会网络中的四个群组。请注意，图 90 的深灰色（蓝色）和黑色（黄色）对称群组是整个网络中的重要组成部分（图 88）。

然而，原始网络中最大的强组件结合了两个对称的群组：部长群组 4 、部长 5 与主席群组。这两个对称的群组连接成一个强组件，因为这些群组之间的弧并不指向同一方向。

在图 91 中，我们可以看到部长 4 和部长 5 的对称群组主要向主席群组发送不对称关系，但他们从该群组中获得一个不对称选择（图 88)。当我们忽略这条弧时，我们会获得与对称群组完美匹配的更小的强组件。
通过对称关系可到达的顶点群组比强组件更可取，因为相互选择清楚地表明了组成员身份和在等级方面的平等。因此，我们建议密切关注并非所有顶点都通过相互选择的路径链接的强组件。消除单个弧可以将该组件拆分为不对称排序的较小群组。
对对称-非环型模型的更严格解释禁止群组内的所有不对称关系。换句话说，群组内的顶点要么通过对称关系绑定，要么根本没有关系（空关系），并且所有非对称选择都位于群组之间。在包含主席的学生会网络的最大群组中，发现了三个不对称性，所有这些不对称性都涉及顾问。部长和主席仅通过对称关系联系在一起。如果我们删除advisor3，他违反了两个对称群组之间的排名，并且也参与了顶级群组中的不对称关系，并且我们忽略了从minister6到advisor1的弧，我们得到一个满足最严格标准的分解对称非环型模型（见图 92）。

请注意，这种分解很好地反映了学生的正式职位：顾问处于较低级别，主席处于最高级别，部长处于中级或高级级别。如果主席没有选择部长7，他或她将拥有自己的最高职位。在这种情况下，由于部长分布在三个级别，因此非正式等级比正式等级更加有区别。
图 92 说明了 对称-非环型模型的一个重要特征。通常，对称群组（Cluster）的顺序不是完全确定的。例如，Advisor1 必须排在包含主席的黑色群组之下。然而，尚不清楚该顾问是否应与顾问 2、部长 2 或部长 5 一起排名，或者它是否拥有自己的级别。顾问 1 和顾问 2、部长 2 或部长 5 之间没有不对称关系的路径来定义他或她相对于他们的位置。这称为偏序：我们知道某些顶点对的顺序，但不知道所有顶点对的顺序。作为一个根据等级排列的顶点分类不一定会产生单一的结果。在图 92 中，advisor1 可以在其他几个级别上绘制。
应用
程序 Pajek 包含一个命令，用于查找对称链接的顶点和等级的群组：Network> Create Hierarchy> Symmetric-Acyclic。此命令遵循前面概述的逻辑。
首先，该命令查找对称链接顶点的组件。它生成一个带有边的新网络，而不是图 88 中的双向弧。然后它创建一个没有剩余（单边）弧的网络，并计算弱组件的partition 。每个弱组件都是一系列顶点，可以通过对称关系到达。当您绘制网络和partition 时，您会得到图 90。
其次，该过程压缩了对称链接顶点的群组。压缩网络对于查找在两个方向上通过不对称关系链接的对称群组非常方便。如果你画出这个网络，你会得到一个类似于图 91 的社会图。在这个图中，你可以检测到几乎不对称链接的对称群组，例如#minister4 和#pminister 群组。
最后，该过程重复第一步和第二步，直到它没有遇到任何对称链接的顶点或群组（Cluster）。然后，所有强组件都被压缩了，网络根据定义是无环的。在学生自治讨论网络第一次缩小后（见图 91），#pminister 和#minister4 群组通过双向弧连接：它们是对称连接的。在下一步中，它们被连接成一个新的对称群组并压缩。在生成的网络中，没有顶点或群组（Cluster）是对称链接的，因此过程停止。请注意，在此示例中，由 Symmetric-Acyclic 命令创建的最后一个网络不包含任何边。您应该选择最后一个压缩网络（标记为“根据 C3 压缩 N5”）作为分析的最终结果。
由对称-非环型分解产生的压缩网络是非环型的，所以我们可以用Network> Acyclic Network> Create Partition> Depth Partition> Acyclic，前提是您首先删除环（Network> Create New Network> Transform> Remove> Loops ），这些环是在网络收缩时创建的。根据层（Layers> In y Direction）绘制压缩网络及其深度partition ，以获得等级的图形表示。它看起来像图 93：顾问 2 为部长 1 的对称群组提供建议，部长为主席的对称群组提供建议。当您在 Draw 屏幕中手动移动灰色顶点时，您会看到从 advisor 到主席的群组也有一条直接的弧。
网络>创建partition >组件>强行列，
如果您想按层级分层画出原始网络，您必须将深度partition 扩展到原始网络。因为非环型网络中的压缩顶点是原始网络中的强组件（大小为 1 或更大），所以可以使用原始网络的强组件划分来扩展深度partition。使用 Network> Create Partition> Components> Strong 命令创建此partition ，确保在 Network 下拉菜单中选择了原始网络。
现在可以将压缩网络的深度partition 扩大到原来的网络。选择压缩网络的深度partition 作为第一个partition ，选择强组件partition 作为第二个partition 。然后Partitions> Expand Partition> First based on Second (Shrink)命令。 Pajek 询问强组件partition 中的哪个类没有压缩（零或强组件partition 中没有出现的数字会这样做），并创建一个新partition ，将原始网络中的每个顶点分配给其在对称网络中的深度-非环型分解。您可以在层中绘制此partition 并在每个层内移动顶点以获得排名图像。在图 94 中，我们用边替换了所有双向弧（Network> Create New Network> Transform> Arcs→Edges> Bidirected only ）并旋转了布局（[Draw] Options> Transform> Rotate 2D ），因此等级从左侧递增对。请注意，我们看不到白色等级内的所有弧边，但很明显，等级之间的所有弧边都指向同一方向（右）。
在对称无环分解中，得到的强组件不一定是对称群组（Cluster）。例如，在学生会网络中，一个强组件结合了两个对称群组 #pminister 和 #minister4（图 91）。我们已经找到了一个满足 对称-非环型模型弱版本的分解。
该模型的强化版本不允许群组内的不对称关系，因此我们必须检查每个群组内的关系以确定强化模型是否适用。因为强组件是群组，我们可以简单地删除强组件之间的所有边并检查生成的网络是否只包含双向弧。选择原始网络和该网络的强组件partition ，并使用 Operations> Network + Partition> Transform> Remove Lines> Between Clusters 命令删除组件之间的边。现在，用边替换双向弧（命令 Network> Create New Network> Transform> Arcs→Edges> Bidirected only），并检查网络中的弧数（Network> Info> General）。如果没有弧，则所有强组件都是对称群组（Cluster）。然而，包含弧的强组件不是对称群组（Cluster），因此它们不满足强化版对称-非环型模型。在我们的示例中，包含主席的强组件包含几个单边弧。该网络不满足强 对称-非环型模型的要求。

10.小结

社会，更详细地说，人类群体的特点是聚类和等级。志同道合的人通过相互积极联系凝聚成群组是基础。群体之间的竞争通过消极或不存在的联系来表达。此外，通常对社会群体进行排名，使主导群体占据更高的等级或阶层。不对称关系表明等级：从等级较低的组收到的积极选择不会得到回报。
社会和社会群体通常被认为包含有限数量的离散等级。在本章中，我们介绍了从平衡理论发展而来的离散等级的结构模型。前两个平衡理论模型——平衡和聚类（见第 4 章）——仅限于社会实体的聚类；他们默认不存在等级，因此不允许不对称联系和不可聚类的半环。第三种模型，等级聚类模型，将社会系统视为一组等级，其中每个等级包含一个或多个群集。正弧连接群组内的实体，但没有弧在一个级别上连接不同的群组，就像在群组性模型中一样。此外，不对称的二元组连接不同等级的群组，其中弧从低级指向更高级别。
等级群组模型表示一个简单的层次结构，其中每对群组或顶点都被明确地排序。通常，社会系统更复杂，包含不完整的层次结构，甚至是不兼容的不同层次结构。女孩和男孩之间的社会层级就是一个简单的例子。有男孩的等级制度和女孩的等级制度，但没有人对其他性别的成员感兴趣，无论他们的等级如何。这种现象在第四个平衡理论模型中被捕获，该模型被称为传递模型。第五个模型，称为层次聚类模型，更加宽松，因为它允许在组内进行排名。在其他对称连接的人群组中的不对称二元组表明该模型中的等级。
在简单的有向网络中，平衡理论模型由其允许的三元组类型来识别，因此我们可以计算每种三元组类型在网络中出现的次数——这称为三元组普查——并找到合适的模型。不幸的是，社会网络很少能完美地拟合平衡理论模型，因此我们需要统计测试来确定哪些三元组类型和模型比偶然预期更频繁地出现。三元分析是统计建模的基础，而不是探索聚类和等级的结构。
根据定义，等级是非环型的，因此网络的环部分要么代表等级内的聚类，要么包含复杂或不完美的等级。回想一下，强组件包含由双向路径连接的顶点，因此强组件是环型子网络。如果我们压缩强组件，则生成的网络是非环型的，并且可以划分为等级。下一个群组和复杂或不完善的等级的组成部分。在一个简单的有向网络中，相互（正）选择是群组的主干，因此我们寻找由对称关系直接或间接连接的顶点群组。群组之间的联系告诉我们它们属于一个等级还是不同等级。
这是一个探索性的过程，用于检测最适合网络的群组和等级，但它并不能告诉我们拟合是否令人满意。通过足够的努力和修改，我们可能会找到甚至适合随机网络的群组和等级。与本书其他部分一样，我们必须理解我们的结果。群组和等级对于我们拥有的关于网络中社会实体的其他信息应该是有意义的。