第十二周：社会网络分析分析——每周一讲多变量分析

社会网络分析（Social Network Analysis）是最近非常流行的一种社会科学研究方法，当然，这种分析思想不仅仅是社会科学领域，其实很多自然科学领域也在研究网络，复杂网络；过去我们的研究数据基本上都是属性数据，例如：性别、年龄、收入、态度、价值观等等，但我们都是生活在一个特定社会环境中，我们的行为都受到其他人的影响；有人说：传统的抽样调查强调随机性，这就象社会科学研究的一种“绞肉机”，把个体从其所在的社会情境中剥离出来，还要确保研究对象之间不存在联系。
    常规统计分析处理的都是属性数据，社会网络分析处理的则是关系数据，其分析单位是“关系”，是从“关系”角度出发研究社会现象和社会结构，从而扑捉由社会结构形成的态度和行为。

    目前关于网络分析，复杂网络分析有了非常多的理论成果和软件分析工具，随机网络、规整网络、小世界理论等，当然最值得期待的研究是幂律分布——无标度网络等；Ucinet、NetDraw、Pajek等软件都是专门处理社会网络分析的。
    社会网络分析研究关系，这一点在数据挖掘领域专门有Web分析、关联分析等等，说明数据挖掘也嵌入研究关系的模块，并且是一种重要的分析工具，典型的就是“啤酒和尿布的故事”。
    当然，今天我并不想细致讲解社会网络分析，而是最为一个数据分析人员，从关系的角度分析数据，有了这个思想，会让我们开阔思路，打开一个新的多变量数据分析新天地。其实，我们过去大部分多变量数据分析都是基于“关系”进行分析的，比如：相关分析、聚类分析、多维尺度分析、因子分析、对应分析，这些多变量分析方法其实本质上就是矩阵，无非是频数矩阵、相关矩阵、协方差矩阵等，只不过我们没有关注过中间步骤就是了。
下面，我们通过一个案例，来看看传统的多变量分析与从关系角度进行的网络分析有什么特色！
传统的市场调查经常采用态度量表，1-10打分方式，我们针对某项研究调查消费者对购买汽车的心理预期和情感测量，经过定性研究，确定了有关汽车的26个情感词汇！
这种数据是典型的市场调查数据或者说多变量分析数据。在考虑了缺省值处理后，我们来进行分析：
首先：我们可以采用因子分析！

    从因子分析，我们看到，5个因子和26个词汇的因子负荷，相关结论大家可以得出！
接下来，我们采用社会网络分析Ucinet软件进行分析：
我们先采用SPSS软件得到26个词汇的相关系数矩阵，从Analysis——>相关——>距离
我们要设定计算变量之间的关系，如果是差异性，不相似性则有多种距离计算方法，默认是欧几里得距离，如果是相似性则是Pearson皮尔逊相关系数。我们选择相关系数矩阵，把矩阵拷贝到Excel软件中：
我们把矩阵存盘Matrix，矩阵！（这里可以大家看看，前面的博客文章，矩阵就是信息）
现在我们把这个相关矩阵导入的Ucinet软件中：（记住要删除多余的行或列）
接下来，我们可以在Ucinet软件中进行MDS和聚类分析
我们看看ＭＤＳ分析结果：
ＭＤＳ主要是研究差异性和相似性的关系，也是降维技术，在二维空间展示数据点的关系，靠近的应该怎样？坐标轴的含义等等！
我们可以进行聚类分析，选择聚类分析，再选谱系聚类，看看哪些词汇聚在了一起：
最后，我们看看采用社会网络分析方法，其中最重要的是网络的可视化技术，我们用Netdraw软件进行矩阵展现：
Netdraw可以直接读取Ucinet的系统数据分析，##h后缀！
我们可以选择不同的Layout形式，并把相关系数值显示出来，
最后，我们不断调整相关系数值，当关系强度=0.42时，我们展示出结果：
我们利用Subgroup子群分析，选择6个子群：

现在，大家可以进行关系分析了，哪些情感词汇是在一个子群（是不是类似因子分析，公共因子需要命名啦），我们不仅看到子群（因子），而且可以得到26个情感词汇的联系，比如：酷与时尚，而且可以知道要有品味，必须经过大气、物有所值才能得到可靠的路径；
也就是说，当我们看到情感词汇的关系图后，我们就可以有意义的输出！

我经常说一句话：看得见，才能做得到，看得见，才能做到好！