SNA_block

• グループに分ける

library(sna)
load(file="0Mat.rda") 
dim(Mat)
gden(Mat) #密度　=0でないペアの割合

#degreeを算出
dg<-degree(Mat)

• 復習　これは何を計算したのか?

stem(dg)

#50回以上の出入りがあった者に限定
m<-Mat[dg>50,dg>50]
dim(m)  #[1] 132 132

#イメージ図をみてみる　色が白い=やりとりが多い
image(m)
rownames(m)
#図をみてみる　色が濃い=やりとりが多い　に逆転する
max(m) # 108
image(108-m)
rownames(m)

#この人達だけに限定して degree
dg2<-degree(m)
stem(dg2)
#単純に合計のやりとり数が大きい順に行列を並び替える
od<-order(dg2,decreasing = T)#多い順番
m2<-m[od,od]
image(108-m2)

• やりとりが多い人達を階層クラスター分析でグループにまとめてみる
  • そのためには距離行列に変換する
  • 現在のデータはメッセージのやりとりの多さ｡　距離=値が大きいほど離れている　にするために　最大値から引く｡それを距離行列に変換

d<-dist(108-m)
#これが各人の距離　値が大きいほど疎遠
d

**練習　もっとも距離が近いのは誰と誰?

#階層型クラスター分析　=距離がちかいものから順に結合する｡
res.h<-hclust(d)
plot(res.h)   #縦軸は距離　　下に行くほど距離が近いことになる｡

#どのような順番で結合したか?　マイナス付はもともとの人の番号
#マイナスなしの　例えば　2　は2段階目でつくられたクラスタの意味
res.h$merge
#       [,1] [,2]
#  [1,]  -69 -113
#  [2,]   -5  -74
#  [3,]  -19    2
#  [4,]  -57  -98
#  [5,]    3    4
#  [6,]   -8 -127

• 3段階目､4段階目で併合されたのはだれと誰?

#人名リスト
rownames(m)

• この結果を使ってmをブロックモデルで分割　k=4でブロック数を指定

res.b<-blockmodel(m,res.h,k=4)

table(res.b$block.membership)  #各ブロックに含まれる人数
#  1   2   3   4 
#112  18   1   1 

res.b$block.membership[order(res.b$block.membership)]#各ブロックのメンバー

• 練習　各ブロックにはどのような人がいるか?

plot(res.b)#イメージプロット
mb<-m[order(res.b$block.membership),order(res.b$block.membership)]
image(108-mb)

• 練習
  • 階層型クラスタ分析のツリーをみながら､ブロック数を適宜指定して､ブロックモデルを実行してみる
  • 全メンバーに対して同様のことをしてみる｡いくつくらいのブロックが適当か？それぞれのブロック（に含まれる人）の特徴は？