Upload
others
View
11
Download
0
Embed Size (px)
Citation preview
Literaturverzeichnis
Anderberg, M.R. (1973). Cluster Analysis for Applications. New York: Academic Press. Anderson, C,J., Wassennan, S. und Crouch, B. (1999). A p* primer: Logit models for social net
works. In: Social Networks, 21, 37-66. Anderson, C,J., Wassennan, S. und Faust, K. (1992). Building stochastic blockmodels. In: Social
Networks, 14, 137-161. Andreß, H,J. u.a. (Hrsg.) (1992). Theorie, Daten, Methoden. Neuere Modelle und Verfahrensweisen
in den Sozialwissenschaften. München: Oldenbourg. Arabie, P., Boonnan, S.A. und Levitt, P.R. (1978). Constructing blockmodels: How and why. In:
Journal ofMathematical Psychology, 17,21-63. Barabasi, A.-L. und Albert, R. (1999). Emergence of scaling in random networks. In: Science, 286,
509-512. Batagelj, V. und Mrvar, A. (2003). Pajek - Analysis and Visualization of Large Networks. In: M.
Jünger und P. Mutzel (Hrsg.): 77-103. Batagelj, V. und Mrvar, A. (2005). Pajek 1.05. http://vlado.fmf.uni-Ij.si/pub/networks/pajek!. Batagelj, V., Doreian, P. und Ferligoj, A. (1992). An optimizational approach to regular equiva
lence. In: Social Networks, 14, 121-135. Batagelj, V., Ferligoj, A. und Doreian, P. (1992). Direct and indirect methods for structural equiva
lence. In: Social Networks, 14,63-90. Bavelas, A. (1950). Comrnunication patterns in task-oriented groups. In: Journal of the Acoustical
Society of America, 22, 271-282. Bernard, H.R. und Killworth, P.D. (1977). Infonnant accuracy in social network data II. In: Human
Comrnunications Research, 4, 3-18. Bien, W. (Hrsg.) (1994). Eigeninteresse oder Solidarität. Beziehungen in modemen Mehrgeneratio
nenfamilien. Opladen: Leske + Budrich. Boer, P., Huisman, M., Snijders, T.A.B. und Zeggelink, E.P.H. (2003). StOCNET: An open soft
ware system for the advanced statistical analysis of social networks. Version 1.4. Groningen: ProGAMMA / ICS.
Boissevain, J. (1974). Friends of Friends. Networks, Manipulators and Coalitions. Oxford: Basil Blackwell.
Bolland, J.M. (1988). Sorting out centrality: An analysis ofthe performance offour centrality models in real and simulated networks. In: Social Networks, 10, 233-253.
Bonacich, P. (1972a). Technique for analyzing overlapping memberships. In: H. Costner (Hrsg.): 176-185.
Bonacich, P. (1972b). Factoring and weighting approaches to status scores and clique identification. In: Journal ofMathematical Sociology, 2,113-120.
Bonacich, P. (1987). Power and centrality: A family of measures. In: American Journal of Sociology,92,1170-1182.
Boonnan, S.A. und White, H.C. (1976). Social structure from multiple networks H. Role structures. In: American Journal of Sociology, 81, 1384-1446.
Borgatti, S.P. (2002). NetDraw 1.0. Release 1.0.0.21. Borgatti, S.P. und Everett, M.G. (1989). The class of all regular equivalences: Aigebraic structure
and computation. In: Social Networks, 11, 65-88.
228 Literaturverzeichnis
Borgatti, S.P. und Everett, M.G. (1992). Regular blockmodels ofmultiway, multimode matrices. In: Social Networks, 14,91-120.
Borgatti, S.P. und Everett, M.G. (1993). Two algorithms for computing regular equivalence. In: Social Networks, 15,361-376.
Borgatti, S.P. und Everett, M.G. (1994). Ecological and perfect colorings. In: Social Networks, 16, 43-55.
Borgatti, S.P., Boyd, 1. und Everett, M.G. (1989). Iterated roles: Mathematics and application. In: Social Networks, 11, 159-172.
Borgatti, S.P., Everett, M.G. und Freeman, L.C. (1991). UCINET IV: Version 1.0. Technical Manual. Columbia: Analytic Technologies.
Borgatti, S.P., Everett, M.G. und Freeman, L.C. (1994). UCINET, Version IV. Columbia: Analytic Technologies.
Borgatti, S.P., Everett, M.G. und Freeman, L.C. (2002). UCINET 6 for Windows. Harvard: Analytic Technologies.
Borgatti, S.P., Everett, M.G. und Shirey, P.R (1990). LS sets, lambda sets and other cohesive subgroups. In: Social Networks, 12,337-357.
Bott, E. (1955). Urban Families: Conjugal Roles and Social Networks. In: Human Relations, 8, 345-383.
Brandes, U. und Erlebach, T. (2005). Network Analysis: Methodological Foundations. Lecture Notes in Computer Science 3418. Heidelberg: Springer.
Brandes, U. und Wagner, D. (2003). Visone - Analysis and Visualization ofSocial Networks. In: M. Jünger und P. Mutzel (Hrsg.): 321-340.
Breiger, R.L., Boorman, SA und Arabie, P. (1975). An algorithm for clustering relational data with applications to social network analysis and comparison with multi dimensional scaling. In: Journal ofMathematical Psychology, 12,328-383.
Brin, S. und Page, L. (1998). The anatomy of a large scale hypertextual web-search engine. In: Computer Networks and ISDN systems, 30, 107-117.
Bueno de Mesquita, B. und Stokman, F.N. (Hrsg.) (1994). European Community Decision Making: Models, Applications, and Comparisons. New Haven: Yale University Press.
Burt, RS. (1976). Positions in networks. In: Social Forces, 55, 93-122. Burt, R.S. (1990). Detecting role equivalence. In: Social Networks, 12,83-97. Burt, RS. (1991). STRUCTURE, Version 4.2. Research Program in Structural Analysis. Center for
the Social Sciences, Columbia University. Burt, RS. und Ronchi, D. (1994). Measuring a large network quickly. In: Social Networks, 16,91-
135. Butts, C. (2004). The SNA Package, vO.44. http://www.r-project.org/; http://erzuli.ss.ucLeduIR.stuff Carrington, P., Scott, 1. und Wasserman, S. (Hrsg.) (2005). Models and Methods in Social Network
Analysis (Structural Analysis in the Social Sciences, No. 28). New Y ork: Cambridge University Press.
Coleman, J.S., Katz, E. und Menzel, H. (1957). The diffusion of an innovation among physicians. Sociometry, 20, 253-270.
Coleman, J.S., Katz, E. und Menzel, H. (1966). Medical Innovation: A Diffusion Study. Indianapolis: Bobbs-Merrill.
Costenbader, E. und Valente, T.W. (2003). The stability of centrality when networks are sampled. In: Social Networks, 25, 283-307.
Costner, H. (Hrsg.) (1972). Sociological Methodology. San Francisco: Jossey-Bass. Dalud-Vincent, M., Fors, M. und Auray, J.P. (1994). An algorithm for finding the structure of social
groups. In: Social Networks, 16, 137-162. Davis, A. u.a. (1941). Deep South. Chicago: University ofChicago Press. Davis, JA (1967). Clustering and Structural Balance in Graphs. In: Human Relations, 20, 181-187.
Literaturverzeichnis 229
Diekmann, A. (2002). Empirische Sozialforschung: Grundlagen, Methoden, Anwendungen. 9. Aufl. Reinbek bei Hamburg: Rowohlt.
Diekmann, A. und Voss, T. (Hrsg.) (2004). Rational-Choice-Theorie in den Sozialwissenschaften. München: Oldenbourg.
Doreian, P. und Fararo, T.J. (1985). Structural equivalenve in a journal network. In: Social Networks, 10,273-285.
Doreian, P. und Stokman, F.N. (Hrsg.)(1997). Evolution of Social Networks. Amsterdam: Gordon and Breach.
Echterhagen, K. u.a. (1981). Baseline Models for Evaluating Interpersonal Tendencies for Balance in Theories of the Davis-Holland-Leinhardt-Type. Universities of Duisburg and Wuppertal (mirneo).
Esser, H. und Troitzsch, K.G. (Hrsg.) (1991). ModelIierung sozialer Prozesse. Bonn: Informationszentrum rür Sozialwissenschaften.
Everett, M.G. (1982). A graph theoretic blocking procedure for social networks. In: Social Networks,4,147-167.
Everett, M.G. (1983a). An extension ofEBLOC to valued graphs. In: Social Networks, 5, 395-402. Everett, M.G. (I 983b). EBLOC: A graph theoretic blocking algorithm for social networks. In: Social
Networks, 5, 322-346. Everett, M.G. und Borgatti, S.P. (1988). Caiculating role similarities: An algorithm that helps de
termine the orbits ofa graph. In: Social Networks, 10,77-91. Everett, M.G. und Borgatti, S.P. (1990). A testing example for positional analysis techniques. In:
Social Networks, 12,253-260. Everett, M.G. und Borgatti, S.P. (1993). An extension of regular colouring of graphs to digraphs,
networks and hypergraphs. In: Social Networks, 15,237-254. Everett, M.G., Boyd, J.P. und Borgatti, S. P. (1990). Ego-centered and local roles: A graph theoretic
approach. In: Journal ofMathematical Sociology, 15(3-4), 163-172. Fararo, TJ. und Sunshine, M.H. (1964). A Study ofa Biased Friendship Net. Syracuse, NY: Youth
Development Center. Faust, K. und Wasserman, S. (1992). Blockmodels: Interpretation and evaluation. In: Social Net
works, 14, 5-61. Feger, H. und Bien, W. (1982). Network unfolding. In: Social Networks, 4, 257-283. Festinger, L., Schachter, S. und Back, K. (1950). Social Pressures in Informal Groups. A Study of
Human Factors in Housing. Stanford: University Press Fischer, C.S. (1982). To Dweil Among Friends. Personal Networks in Town and City. Chicago:
University Press. Frank, O. und Strauss, D. (1986). Markov Graphs. In: Journal ofthe American Statistical Associa
tion, 81, 832-842. Frank, O. und Snijders, T.A.B. (1994). Estimating the size of hidden populations using snowball
sampling. In: Journal of Official Statistics 10, 53-67. Freeman, L.C. (1979). Centrality in social networks: Conceptual clarifications. In: Social Networks,
1,215-239. Freeman, L.C. (1984). Turning a profit from mathematics: The case of social networks. In: Journal
ofMathematical Sociology, 10,343-360. Freeman, L.C. (1986). The impact of computer based communication on the social structure of an
emerging scientific speciality. In: Social Networks, 6, 201-221. Freeman, L.C. (1996). Cliques, Galois lattices, and the structure ofhuman social groups. In: Social
Networks, 18, 173-187. Freeman, L.C. (2005). The Development of Social Network Analysis. A Study in the Sociology of
Science. Vancouver: Empirical Press. Freeman, L.C., Borgatti, S.P. und White, D.R. (1991). Centrality in valued graphs: A measure of
betweenness based on network flow. In: Social Networks, 13, 141-154.
230 Literaturverzeichnis
Freeman, L.C. u.a. (1998). Exploring social structure using dynamic three-dimensional color images. In: Social Networks, 20, 109-118.
Fruchterman, T.M. und Reingold, E.M. (1991). Graph Drawing by Force-Directed Placement. In: Software, Practice and Experience, 21, 1129-1164.
Galaskiewicz,1. (1985). Social Organization of an Urban Grants Economy. New York: Academic Press.
Gould, R.V. (1987). Measures of betweenness in non-symmetric networks. In: Social Networks, 9, 277-282.
Hallinan, M.T. (1978). The process offriendship formation. In: Social Networks, 1, 193-210. Harary, F. (1974). Graphentheorie. München und Wien: Oldenbourg. Heider, F. (1958). The Psychology ofInterpersonal Relations. New York: Wiley. Heise, D.R. (Hrsg.) (1975). Sociological Methodology. San Francisco: Jossey-Bass. Hermansson, K. und Ojam, L. (1994). MOVIEMOL. Uppsala University, Institute of Chemistry,
Report UUIC-B 19-500. http://www.ifm.liu.se/compchemlmoviemol/moviemol.html Holland, P.W., Laskey, K.B. und Leinhardt, S. (1983). Stochastic blockmodels: First steps. In:
Social Networks, 5, 109-137. Holland, P.W. und Leinhardt, S. (1970). A method for detecting structure in sociometric data. In:
American Journal ofSociology, 70,492-513. Holland, P.W. und Leinhardt, S. (1975). Local structure in social networks. In: D.R. Heise (Hrsg.):
1-45. Holland, P.W. und Leinhardt, S. (1981). An exponential family of probability distributions for
directed graphs. In: Journal ofthe American Statistical Association, 76, 33-65. Homans, G.C. (1950). The Human Group. New York: Harcourt. Hubbell, C.H. (1965). An input-output approach to clique identification. In: Sociometry, 28, 377-
399. Huisman, M. und Snijders, T.A.B. (2003). Statistical analysis of longitudinal network data with
changing composition. In: Sociological Methods and Research, 32, 253-287. Hummell, H.J. u.a. (1968). Die Überweisung von Patienten als Bestandteil des ärztlichen Interakti
onssystems. In: H. Kaupen-Haas (Hrsg.) Soziologische Probleme medizinischer Berufe.Köln und Opladen: Westdeutscher Verlag.
Hummell, HJ. und Sodeur, W. (1985). Beurteilung der Struktureigenschaften sozialer Netze durch Vergleich mit eingeschränkten Zufallsnetzen. In: D. Seibt, N. Szyperski und U. Hasenkamp (Hrsg.). Angewandte Informatik. Braunschweig und Wiesbaden: Vieweg, 391-405.
Hummell, H.l. und Sodeur, W. (1987). Strukturbeschreibung von Positionen in sozialen Beziehungsnetzen. In: F.U. Pappi (Hrsg.): 177-202.
Hummell, HJ. und Sodeur, W. (1990). Evaluating models of change in triadic sociometric structures. In: 1. Weesie und H. F1ap (Hrsg.): 281-305.
Hummell, HJ. und Sodeur, W. (1991). Modelle des Wandels sozialer Beziehungen in triadischen Umgebungen. In: H. Esser und K.G. Troitzsch (Hrsg.): 695-733.
Hummell, HJ. und Sodeur, W. (1992). Multivariate Analyse von Struktureigenschaften auf mehreren Ebenen. Netzwerkanalyse als 'meßtheoretisches' Konzept. In: HJ. Andreß u.a. (Hrsg.): 269-294.
Hummell, HJ. und Sodeur, W. (1997). Structural analysis of social networks with respect to different levels ofaggregation. In: Mathematiques, Informatique et Sciences Humaines, 35, 37-60.
Hummell, H.J. und Sodeur, W. (2004). Kommunikationsstruktur und Leistung sozialer Systeme: Simulationen zu den Konsequenzen lokal rationalen Handeins unter verschiedenen Strukturbedingungen. In: A. Diekmann und T. Voss (Hrsg.): 143-161.
Jansen, D. (2003). Einführung in die Netzwerkanalyse: Grundlagen, Methoden, Forschungsbeispiele. 2. erw. Aufl. Opladen: Leske + Budrich.
Jeong, H. u.a. (2001). Lethality and centrality in protein networks. In: Nature, 411, 41-42.
Literaturverzeichnis 231
Johnsen, E.C. (1985). Network macrostructure models for the Davis-Leinhardt set of empirical sociomatrices. In: Social Networks, 7, 203-224.
Johnsen, E.C. (1986). Structure and process: Agreement models for friendship formation. In: Social Networks, 8, 257-306.
Jones, E.E. und Gerard, H.B. (1967). Foundations ofSocial Psychology. New York: Wiley. Jünger, M. und Mutzel, P. (Hrsg.) (2003). Graph Drawing Software. Berlin: Springer. Kamada, T. und Kawai, S. (1989). An algorithm for drawing general undirected graphs. In: Informa
tion Processing Letters, 31, 7-15. Kappelhoff, P. (1992). Strukturmodelle von Position und Rolle. In: H.J. Andreß u.a. (Hrsg.): 243-
268. Katz, L. (1953). A new status index derived from sociometric analysis. In: Psychometrika, 18, 39-
43. Katz, L. und Wilson, T.R. (1956). The variance ofthe number ofmutual choices in sociometry. In:
Psychometrika, 24, 299-304. Katz, L. und Powell, J.H. (1957). Probability distributions of random variables associated with a
structure of the sampie space of sociometric investigations. In: Annals of Mathematical Statistics, 28, 442-448.
Keener, J.P. (1993). The Perron-Frobenius Theorem and the ranking of football teams. In: SIAM Review, 35, 80-93.
Killworth, P.D. und Bernard, H.R. (1976). Informant accuracy in social network data. In: Human Organization, 35, 269-286.
Klovdahl, A.S. u.a. (2001). Networks and tuberculosis: An undetected community outbreak involving public places. In: Social Science and Medicine, 52, 681-694.
Knoke, D. und Kuklinski, J. (1982). Network Analysis (Quantitative Applications in the Social Sciences; Bd.28). Newbury Park: Sage.
Knoke, D. und Wood, J. (1981). Organized for action: Commitment in voluntary associations. New Brunswick: Rutgers University Press.
Krackhardt, D. (1987). Cognitive Social Structures. In: Social Networks, 9,109-134. Krebs, V.E. (2002). Mapping networks ofterrorist cells. In: Connections, 24, 43-52. Krempel, L. (2004). Visualisierung komplexer Strukturen. Grundlagen der Darstellung mehrdimen
sionaler Netze. Max Planck Institut für Gesellschaftsforschung, Köln. Krempel, L. und Plümper, T. (2003). Exploring the Dynamics of International Trade by Combining
the Comparative Advantages of Multivariate Statistics and Network Visualizations. In: Journal of Social Structure, Bd.4, I.
Laumann, E.O. und Pappi, F. (1973). New directions in the study of elites. In: American Sociological Review, 39, 212-230.
Laumann, E.O. und Pappi, F. (1976). Networks of Collective Action: A Perspective on Community Influence Systems. New York: Academic Press.
Lazarsfeld, P.F. und Menzel, H. (1961). On the relation between individual and collective properties. In: A. Etzioni (Hrsg.). Complex Organizations. New York: Holt, Rinehart, and Winston: 422-440.
Leinhardt, S. (Hrsg.) (1977). Social Networks. A Developing Paradigm. New York etc.: Academic Press.
Leinhardt, S. (Hrsg.) (1983). Sociological Methodology. San Francisco: Jossey-Bass. Little, R. und Rubin, D. (1989). The analysis of social science data with missing values. In: Socio
logical Methods and Research, 18,292-326. Lorrain, F. und White, H.C. (1971). Structural equivalence of individuals in social networks. In:
Journal ofMathematical Sociology, 1,49-80. Mandel, MJ. (1983). Local roles and social networks. In: American Sociological Review, 48, 376-
386.
232 Literaturverzeichnis
Mariolis, P. (1982). 'Region' and 'Subgroup': Organizing concepts in social network analysis. In: Social Networks, 4, 305-328.
Marsden, P.V. und Laumann, E.O. (1984). Mathematical ideas in social structural analysis. In: Journal ofMathematical Sociology, 10,271-294.
Matzat, U. (2004). The social embeddedness of academic online groups as a norm generating structure: A test of the Coleman Model on norm emergence. In: Computational and Mathematical Organization Theory, 10,205-226.
Merton, R.K. (1949). Patterns of Influence: Local and Cosmopolitan Influentials; in: R.K. Merton (1959): Social Theory and Social Structure. Glencoe: Free Press, 387-420 (zuerst 1949).
Milgram, S. (1967). The small world problem. In: Psychology Today, 1,60-67. MitchelI, J.C. (1969). Social Networks in Urban Situations. Analyses of Personal Relationships in
Central African Towns. Manchester: University Press MitchelI, J.C. (1969). The concept and use ofsocial networks. In: J.C. Mitchell (Hrsg.): I-50. Mizruchi, M.S. u.a. (1986). Techniques for disaggregating centrality scores in social networks. In:
N.B. Tuma (Hrsg.): 26-48. Monge P.R. (1987). The network level of analysis. In: C.R. Berger und S.H. Chaffee (Hrsg.). Hand
book of communication science. Newbury Park: Sage, 239-270. Moreno, J.L. (1932). Application of the Group Method to Classification. New York: National
Committe on Prisons and Prison Labor. Moreno, J.L. (1934). Who Shall Survive? Foundations of Sociometry, Group Psychotherapy, and
Sociodrama. Washington D.C.: Nervous and Mental Disease Publishing Co. Moreno, J.L. und Jennings, H.H. (1938). Statistics of social configurations. In: Sociometry, 1, 342-
374. Nakao, K. und Romney, A.K. (1993). Longitudinal approach to subgroup formation: Re-analysis of
Newcomb's fraternity data. In: Social Networks, 15, 109-131. Newcomb, T.M. (1953). An approach to the study of communicative acts. In: Psychological Re
view, 60, 393-404. Newcomb, T.M. (1956). The prediction of interpersonal attraction. In: American Psychologist, 11,
575-586. Newcomb, T.M. (1959). Individual systems of orientation. In: S. Koch (Hrsg.): Psychology: A
Study of a Science. Study r. Conceptual and Systernatic, Vol. 3, Formulations ofthe Person and the Social Context. New Y ork: McGraw-Hill. 384-422.
Newcomb, T.M. (1961). The Acquaintance Process. New York: Holt, Rinehart, and Winston. Newcomb, T.M. (1966). The general nature of peer group influence. In: T.M. Newcomb und E.K.
Wilson (Hrsg.). College Peer Groups. Chicago: Aldine, 2-16. Newcomb, T.M. (1978). The acquaintance process: Looking mainly backward. In: Journal of Per
sonality and Social Psychology, 36, 1075-1083. Newcomb, T.M. (1979). Reciprocity of interpersonal attraction: A nonconfirmation of a plausible
hypothesis. In: Social Psychology Quarterly, 42, 299-306. Newcomb, T.M., Turner, R.H. und Converse R.H. (1965). Social Psychology. New York: Holt,
Rinehart, and Winston. Newman, M.EJ. (2001). The structure of scientific collaboration networks. In: Proceedings of the
National Academy ofScience USA, 98, 404-409. Newrnan, M.EJ., Strogatz, S.H. und Watts, D.J. (2001). Random graphs with arbitrary degree
distributions and their applications. In: Physical Review E, 64, 026118-1-19. Nordlie, P. (1958). A longitudinal study of interpersonal attraction in a natural group setting. De
partment ofPsychology, University ofMichigan: Unpublished Ph.D. dissertation. Padgett, J.F. und AnseII, C.K. (1989). Robust action and the rise of the Medici, 1400-1434. In:
American Journal ofSociology, 98,1259-1319. Panning, W.H. (1982). Fitting blockmodels to data. In: Social Networks, 4, 8l-101.
Literaturverzeichnis 233
Pappi, F.U. (1987). Die Netzwerkanalyse aus soziologischer Perspektive. In: F.U. Pappi (Hrsg.): 11-37.
Pappi, F.U. (Hrsg.) (1987). Methoden der Netzwerkanalyse. (Techniken der empirischen Sozialforschung, Bd.I). München: Oldenbourg.
Pattison, P.E. (1993). Aigebraic Models for Social Networks. Cambridge: Cambridge University Press.
Peay, E.R. (1980). Connectedness in a general model for valued networks. In: Social Networks, 2, 385-410.
Rapoport, A. (1979). A probabilistic approach to networks. In: Social Networks, 2, 1-18. Richardson, D.C. (2003). Mage. Version 6.0.2. Richardson, D.C. und Richardson, J.S. (1992). The Kinemage - a tool for scientific communication.
In: Protein Science I, 3-9. Runger, G. und Wasserman, S. (1979). Longitudinal analysis of friendship networks. In: Social
Networks, 2, 143-154. Sailer, L.D. (1978). Structural equivalence: Meaning and definition, computation and application.
In: Social Networks, 1,73-90. Sanil, A., Banks, D. und Carley, K. (1995). Models for evolving fixed node networks: model fitting
and model testing. In: Social Networks, 17,65-81. Schnell, R. (1997). Nonresponse in Bevölkerungsumfragen. Opladen: Leske + Budrich. Schuessler, K.F. (Hrsg.) (1979). Sociological Methodology. San Francisco: Jossey-Bass. Schweizer, T. (1996). Muster Sozialer Ordnung: Netzwerkanalyse als Fundament der Sozialethno
logie. Berlin: Reimer. Scott, J. (1991). Social Network Analysis: A Handbook. Newbury Park: Sage. Seeley, J.R. (1949). The net of reciprocal influence: A problem in treating sociometric data. In:
Canadian Journal ofPsychology, 3, 234-240. Seidmann, S.B. (1983). Internal cohesion ofLS sets in graphs. In: Social Networks, 5, 97-107. Smith, D. und White, D. (1992). Structure and dynamics of the global economy: Network analysis
ofinternational trade 1965-1980. In: Social Forces, 70, 857-894. Snijders, T.A.B. (1990). Testing for change in a digraph at two time points. In: Social networks, 12,
359-373. Snijders, T.A.B. (1991). Enumeration and simulation methods for 0-1 matrices with given mar
ginals. In: Psychometrika, 56, 397-417. Snijders, T.A.B. (2001). The statistical evaluation of social network dynamics. In: M.E. Sobel und
M.P. Becker (Hrsg.). Sociological Methodology 2001. Boston und London: Basil Blackwell.: 361-395.
Snijders, T.A.B. (2005). Models for longitudinal network data. In: P. Carrington, J. Scott und S. Wasserman (Hrsg.): 215-248.
Snijders, T.A.B. und Bosker, R.J. (1999). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling. London: Sage.
Snijders, T.A.B. u.a. (2005). Manual for Siena. Version 2.1. http://stat.ganuna.rug.nl/stocnet! downloads/sie _ man21 b.pdf.
Sodeur, W. (1974). Empirische Verfahren zur Klassifikation. Stuttgart: Teubner. Späth, H. (1975). Cluster-Analyse-Algorithmen zur Objektklassifikation und Datenreduktion. Mün
chen und Wien: Oldenbourg. Sparrow, M.K. (1993). A linear algorithm for computing automorphic equivalence classes: the
numerical signatures approach. In: Social Networks, 15, 151-170. Stephenson, K. und Zelen, M. (1989). Rethinking centrality: Methods and examples. In: Social
Networks, 11, 1-37. Stokman, F.N. und Doreian, P. (Hrsg.) (2001). Evolution of Social Networks, Part Ir. Journal of
Mathematical Sociology 25 (special issue). Amsterdam: Gordon and Breach.
234 Literaturverzeichnis
Stokman, F.N. und Zeggelink, E.P.H. (1996). 'Self-organizing' friendship networks. In: W.B.G. Liebrand und D.M. Messick (Hrsg.): Frontiers in Social Dilemmas Research. Berlin: Springer, 385-418.
Stokman, F.N., Ziegler, R. und Scott, 1. (1985). Networks of Corporate Power. Cambridge: Polity Press.
Stork, D. und Richards, W.D. (1992). Nonrespondents in communication network studies: Problems and possibilities. In: Group & Organization Management, 17, 193-209.
Täube, V.G. (2002). Zur Messung des Sozialkapitals von Akteuren mit Einfluss in empirischen Netzwerken. Dissertation an der Universität Essen. Bern und Frankfurt a.M.: Peter Lang Verlag.
Täube, V.G. (2004). Measuring the social capital ofbrokerage roles. In: Connections, 26, 29-52. Tarn, T. (1989). Demarcating the boundaries between self and the social: The anatomy of centrality
in networkws. In: Social Networks, 11,387-401. Taylor, M. (1969). Influence Structures. In: Sociometry, 32, 490-502. Thurman, B. (1979). In the office: Networks and coalitions. In: Social Networks, 2, 47-63. Tuma, N.B. (Hrsg.) (1986). Sociological Methodology. San Francisco: Jossey-Bass. Ward, 1.H. (1963). Hierarchical grouping to optimize an objective function. In: Journal of the
American Statistical Association, 58, 236-244. Wasserman, S. (1977). Stochastic Models for Directed Graphs. Ph.D. Dissertation. University of
Harvard: Dept. of Statistics. Wasserman, S. (1979). A stochastic model for directed graphs with transition rates determined by
reciprocity. In: K.F. Schuessler (Hrsg.): 392-412. Wasserman, S. (1980). Analyzing social networks as stochastic processes. In: Journal ofthe Ameri
can Statistical Association, 75, 280-294. Wasserman, S. und Faust, K. (1994). Social network analysis: Methods and applications. New York:
Cambridge University Press. Wasserman, S. und Pattison, P.E. (1996). Logit models and logistic regressions for social networks:
I. An introduction to Markov random graphs and p*. In: Psychometrika, 60, 401-426. Watts, D.J. (2004). The "new" science ofnetworks. In: Annual Review ofSociology, 30, 243-270. Watts, D.J. und Strogatz, S.H. (1998). Collective dynamics of ,small-world' networks. In: Nature,
393, 440-442. Weesie, J. und Flap, H. (Hrsg.) (1990). Social Networks Through Time. Utrecht: ISOR. Wellman, B. und Berkowitz, S.D. (Hrsg.) (1988). Social Structures. Cambridge: Cambridge Univer
sity Press. Wellman, B. und Wortley, S. (1990). Different strokes from different folks. Community ties and
social support. In: American Journal of Sociology, 96, 558-588. White, D.R. (1984). REGE: A regular graph equivalence algorithm for computing role distances
prior to blockmodelling. University ofCalifornia, Irvine: Unpublished Manuscript. White, D.R. und Borgatti, S.P. (1994). Betweenness centrality measures for directed graphs. In:
Social Networks, 16, 335-346. White, D.R. und Reitz, K.P. (1983). Graph and semigroup homomorphisms on networks of rela
tions. In: Social Networks, 5, 193-234. White, D.R. und Reitz, K.P. (1985). Measuring Role Distance: Structural, regular and relational
equivalence. University ofCalifomia, Irvine: Unpublished Manuscript. White, H.C., Boorman, S.A. und Breiger, R.L. (1976). Social structure from multiple networks. 1.
Blockmodels ofroles and positions. In: American Journal ofSociology, 81, 730-780. Winship, C. und Mandel, MJ. (1983). Roles and positions: A critique and extension of the block
modelling approach. In: S. Leinhardt (Hrsg.): 314-344. Zeggelink, E.P.H. (1994). Dynamics ofstructure: An individual oriented approach. In: Social Net
works, 16,295-333. Ziegler, R. (Hrsg.) (1984). Analyse sozialer Netzwerke. Schwerpunktheft 3, Kölner Zeitschrift für
Soziologie und Sozialpsychologie 36.
Literaturverzeichnis 235
Ziegler, R. (1987). Netzwerkanalyse: Metapher, Methode oder strukturales Forschungsprogramm für die Sozialwissenschaften? In: Zeitschrift für Klinische Psychologie, 16,339-352.
Glossar (Fachbegriffe der Netzwerkanalyse)
Fachbegriffe der Netzwerkanalyse
Der jeweils erläuterte Begriff erscheint fett; andere Begriffe, die ebenfalls im Glossar erläutert werden, erscheinen kursiv.
adjazent (Kanten)
adjazent (Knoten)
Adjazenzmatrix
Äquivalenz, automorphe
Äquivalenz, reguläre
Zwei Kanten e und f, die mit einem gemeinsamen Knoten k inzidieren, heißen adjazent. Zwei Knoten, die in einem Graphen durch eine Kante verbunden sind, werden als adjazent bezeichnet. In einem gerichteten Graphen heißt der Knoten u adjazent zum Knoten v, wenn die beiden Knoten durch den Pfeil (u,v) verbunden sind und der Knoten u heißt adjazent vom Knoten v, wenn die bei den Knoten durch den Pfeil (v,u) verbunden sind. Es sei G ein Graph mit g Knoten, nummeriert als kJ, ... , kg• Die Adjazenzmatrix von G, die sich auf diese spezielle Nummerierung der g Knoten von G bezieht, ist die gxg-Matrix A(G) = (aij), in der das (ij)-te Element aij die Stärke der Beziehung vom Knoten kj zum Knoten kj angibt. Zwei Knoten i und j in einem Graphen G sind automorph äquivalent genau dann, wenn es einen Graphenautomorphismus gibt, der Knoten i auf Knoten j abbildet und umgekehrt. Wenn zwei Akteure i und j regulär äquivalent sind und Akteur i eine Beziehung zu/von einem Akteur k hat, dann muss Akteur j dieselbe Beziehung zu/von einem Akteur I haben und die Akteure k und I müssen ebenfalls regulär äquivalent sein.
238
Äquivalenz, strukturelle
Äquivalenzklasse
Äquivalenzrelation
Außengrad
Außengrad, relativer
Bildmatrix
Block
Blockmodell
Glossar (Fachbegriffe der Netzwerkanalyse )
Zwei Akteure i und j sind strukturell äquivalent genau dann, wenn rur jeden Akteur k *- i, j, i genau dann eine Beziehung vom Wert m zu k hat, wenn j eine Beziehung vom Wert m zu k hat und wenn i genau dann eine Beziehung vom Wert n von k erhält, wenn j eine Beziehung vom Wert n von k erhält. Sei M eine Menge und Reine Aquivalenzrelation auf M, dann zerlegt R die Menge M in Klassen äquivalenter (=zueinander in der Relation R stehender) Elemente, rur die gilt: Zwei Klassen sind entweder gleich oder elementfremd. Diese Klassen nennt man Äquivalenzklassen. Die durch die A'quivalenzrelation erzeugte Menge von Äquivalenzklassen heißt auch Klasseneinteilung (Partition) von M. Eine Relation heißt Äquivalenzrelation, wenn sie reflexiv, symmetrisch und transitiv ist Sei G ein gerichteter Graph. Der Außengrad do(k) eines Knoten k ist gleich der Anzahl der Knoten, zu denen k adjazent ist. Der relative Außen grad eines Knoten k ist gleich seinem Außengrad geteilt durch g-l. Dabei ist g die Anzahl der Knoten des Graphen. Eine Bildmatrix ist eine Adjazenzmatrix eines reduzierten Graphen. Ein Block bezeichnet in einem Blockmodell sowohl eine Menge äquivalenter Akteure (Position) als auch eine Untermatrix der Adjazenzmatrix, in der über die Beziehung eines derart definierten Blocks zu einem anderen berichtet wird. Ein Blockmodell besteht aus einer Klasseneinteilung (Partition) von Akteuren eines Netzwerkes in Positionen und rur jedes Paar von Positionen aus einer Aussage über das Vorhandensein oder die Abwesenheit einer Beziehung zwischen den Positionen.
Glossar (Fachbegriffe der Netzwerkanalyse ) 239
Boole'sche Matri- Das Ergebnis einer Boole'schen Multiplikation zweier zenmultiplikation Matrizen erhält man aus dem Produkt der beiden Matri
zen, indem man jeden Eintrag, der größer als Null ist, in eine Eins verwandelt und jeden Eintrag, der kleiner oder gleich Null ist, in eine Null verwandelt. Das Ergebnis ist also eine binäre Matrix.
Clique Cutpoint
Dichte
Dichte, lokale
Distanz, euklidi-sche
Eine Clique ist ein maximaler vollständiger Teilgraph. Ein Knoten nj in einem Graphen heißt Cutpoint, wenn die Anzahl der Komponenten in dem Graphen ohne nj größer wäre als mit nj. Die Dichte eines Graphen ist definiert als die Anzahl der Kanten geteilt durch die Anzahl aller möglichen ungeordneten Paare unterschiedlicher Knoten. Diese Anzahl beträgt in Graphen mit g Knoten g·(g-l )/2. Die Dichte eines gerichteten Graphen ist entsprechend definiert als die Anzahl der Pfeile geteilt durch die Anzahl aller möglichen geordneten Paare unterschiedlicher Knoten. Diese Anzahl beträgt in Graphen mit g Knoten g·(g-l ). Die lokale Dichte bezieht sich meist auf knotengenerierte Teilgraphen und ist gleich der Dichte des knotengenerierten Teilgraphen. Die euklidische Distanz zweier Vektoren ist gleich der Wurzel aus der Summe der Quadrate der Differenzen der einzelnen Dimensionen des Vektors.
Distanz, sche
geodäti- Die geodätische Distanz zwischen zwei Knoten in einem Graphen ist gleich der Länge des kürzesten Pfades zwischen ihnen.
Dyade
Dyade, asymmetrische
Eine Dyade ist ein Teilgraph eines gerichteten Graphen bestehend aus 2 Knoten und allen Pfeilen, die im zugrundeliegenden Graphen zwischen den zwei Knoten existieren. Bei einer asymmetrischen Dyade in einem gerichteten Graphen ist einer der bei den möglichen Pfeile vorhanden, der andere fehlt.
240
Dyade, mutuelle
Dyade, Nulldyade
Eigenschaften, absolute
Eigenschaften, analytische
Eigenschaften, globale
Eigenschaften, komparative
Eigenschaften, kontextuelle
Eigenschaften, relationale
Glossar (Fachbegriffe der Netzwerkanalyse)
Bei einer mutuellen Dyade in einem gerichteten Graphen sind beide möglichen Pfeile vorhanden. In einer Nulldyade in einem gerichteten Graphen ist keiner der beiden möglichen Pfeile vorhanden. Nach der Lazarsfeld-Menzel-Typologie sind absolute Eigenschaften Eigenschaften von Einheiten, die ohne Verwendung von Informationen über die Kollektive, denen sie angehören, und ohne Informationen über die Beziehungen der Einheiten zueinander gewonnen werden. Nach der Lazarsfeld-Menzel-Typologie sind analytische Eigenschaften Eigenschaften von Kollektiven, die durch mathematische Operationen aus absoluten Eigenschaften von Einheiten innerhalb dieser Kollektive gewonnen werden. Nach der Lazarsfeld-Menzel-Typologie sind globale Eigenschaften Eigenschaften von Kollektiven, die nicht aus Informationen über die in ihnen enthaltenen Einheiten (einschliesslich ihrer Beziehungen) gewonnen werden. Nach der Lazarsfeld-Menzel-Typologie sind komparative Eigenschaften Eigenschaften von Einheiten, die durch Vergleich einer (absoluten oder relationalen) Eigenschaft dieser Einheit mit der Verteilung dieser Eigenschaft im Kollektiv gewonnen werden. Nach der Lazarsfeld-Menzel-Typologie sind kontextuelle Eigenschaften Eigenschaften, die eine Einheit durch Eigenschaften des Kollektivs kennzeichnet, zu dem sie gehört. Nach der Lazarsfeld-Menzel-Typologie sind relation ale Eigenschaften Eigenschaften von Einheiten, die aus Informationen über die Beziehungen zu anderen Einheiten gewonnen werden.
Glossar (Fachbegriffe der Netzwerkanalyse ) 241
Eigenschaften, strukturelle
Eigenvektor
Eigenwert
Endknoten
Erreichbarkeit
Gewichtungsvektor (hier: für Triadenzensus)
Grad
Grad, relativer
Nach der Lazarsfeld-Menzel-Typologie sind strukturelle Eigenschaften Eigenschaften von Kollektiven, die aus Informationen über die Beziehungen der Einheten innerhalb des Kollektivs zueinander (d.h. aus deren relationalen Eigenschaften) gewonnen werden. Einen Vektor P, der rur eine gegebene quadratische Matrix A und rur ein bestimmtes 'A die Gleichung 'AP =
AP erfiillt, nennt man Eigenvektor von A. Der zu einem Eigenvektor P einer Matrix A gehörende Eigenwert ist der Skalar 'A, rur den P die Gleichung 'AP = AP errullt. Sei 1 = (u,v) eine Kante des Graphen G, so sind u und v die Endknoten von 1. Die Knoten u und v in einem Graphen heißen (rur einander) erreichbar, wenn es einen Weg von u nach v gibt. In einem gerichteten Graphen heißt v erreichbar von u, wenn es einen Weg von u nach v gibt. Ein Vektor, der in derselben Reihenfolge wie der Triadenzensus angibt, mit welcher Häufigkeit eine Konfiguration in den 16 Triadentypen vorkommt, heißt Gewichtungsvektor der Konfiguration. Es sei k ein Knoten des Graphen G. Der Grad d(k) von k entspricht der Anzahl der mit k inzidenten Kanten von G. Der relative Grad eines Knoten k ist gleich seinem Grad geteilt durch g-l (dabei ist g die Anzahl der Knoten des Graphen).
242
Graph
Glossar (Fachbegriffe der Netzwerkanalyse)
Ein Graph G = (N(G), L(G» besteht aus zwei endlichen Mengen: N(G): der Knotenmenge des Graphen, d.h. einer nichtleeren Menge von Elementen, die Knoten genannt werden,und L(G): der Kantenmenge des Graphen, die eine (möglicherweise auch leere) Menge von Elementen ist, die Kanten genannt werden, so dass jede Kante I in G ein ungeordnetes Paar von Knoten (u,v) ist, die als Endknoten von I bezeichnet werden. Wir beziehen uns im Glossar auf Graphen ohne sogenannte Schleifen (Schlingen). Eine Schleife ist eine Kante (u,u), bei der beide Knoten identisch sind. Diese entsprechen in sozialen Netzwerken der Beziehung eines Knotens zu sich selbst. So etwas kommt in diesem Buch nur im Rahmen der Positionsanalyse vor. Grundsätzlich ändert sich jedoch nur wenig, wenn man solche Graphen zulässt: Beim relativen Grad eines Knoten erhöht sich der Nenner, da der maximal mögliche Grad sich durch die zusätzliche Möglichkeit von Schleifen erhöht. Entsprechendes gilt für den relativen Außengrad und relativen Innengrad.
Graph, bewerteter Ein bewerteter Graph ist ein Graph G, in dem jeder Kante I eine reelle Zahl w(l) zugeordnet wird.
Graph, gerichteter Ein gerichteter Graph G = (N(G), L(G» besteht aus zwei endlichen Mengen: N(G): der Knotenmenge des gerichteten Graphen, d.h. einer nichtleeren Menge von Elementen, die Knoten genannt werden, und L(G): der Pfeilmenge des gerichteten Graphen, die eine (möglicherweise auch leere) Menge von Elementen ist, die Pfeile genannt werden, so dass jeder Pfeil I in G ein geordnetes Paar von Knoten (u,v) ist.
Glossar (Fachbegriffe der Netzwerkanalyse) 243
Graph, reduzierter
Graphenautomorphismus
Halbgruppe
hierarchie al clustering
Ein reduzierter Graph Gr eines Graphen G ist ein Graph, dessen Knoten die Positionen aus G sind. Seine Kanten werden aus den Kanten von G nach bestimmten Regeln ermittelt. Ein Graphenautomorphismus ist eine bijektive Abbildung q> der Menge der Knoten eines Graphen G auf sich selbst, so dass (q>(i), q>(j)) eine Kante des Graphen G ist genau dann, wenn (i,j) eine Kante des Graphen G ist, für alle i, j E N(G). Eine Menge mit einer auf ihr definierten assoziativen inneren Verknüpfung nennt man eine Halbgruppe. Unter einer inneren Verknüpfung versteht man eine Abbildung, die jedem geordneten Paar von Elementen aus einer Menge M ein Element eben dieser Menge zuordnet. Mit anderen Worten: Eine innere Verknüpfung auf einer Menge M ist eine Abbildung e: MxM ~ M. Eine innere Verknüpfung e auf M heißt assoziativ, wenn für alle a,b,c E M gilt: ae(bec) = (aeb)ec. Hierarchical-clustering-Verfahren dienen zur Klasseneinteilung (Partition). Grundlage sind paarweise Distanzen bzw. paarweise Ähnlichkeiten von Akteuren. Ziel ist die Einteilung der Akteure in Klassen ähnlicher Akteure. Algorithmen zum hierarchical clustering beginnen mit einer Partition, in der jeder Akteur einer eigenen Klasse angehört, und fassen dann schrittweise diejenigen zusammen, die am ähnlichsten bzw. die am wenigsten weit voneinander entfernt sind. Zunächst wird also ein Paar aus den Akteuren gebildet, die am wenigsten weit voneinander entfernt sind. Diese bei den Akteure gelten fortan als eine Einheit (ein Cluster). Unter den verbliebenen Einheiten sucht der Algorithmus wieder das Paar mit der geringsten Distanz usw. Dabei kann die Distanz zwischen zwei Clustern auf verschiedene Weisen definiert werden. Es gibt drei gängige Verfahren: average linkage, single linkage und complete linkage, die sich darin unterscheiden, wie die Distanz zwischen zwei Clustern definiert ist.
244
hierarchical clus-tering, linkage
average
hierarchie al clustering, complete linkage
hierarchie al clustering, single linkage
Innengrad
Innengrad, relativer
inzident
Isomorphieklasse
Glossar (Fachbegriffe der Netzwerkanalyse )
Bei diesem Hierarchical-clustering-Verfahren wird die Distanz zwischen zwei Clustern als "mittlere Distanz" der Akteure aus den beiden Clustern definiert (z.B. als arithmetisches Mittel aller paarweisen Distanzen). Bei diesem Hierarchical-clustering-Verfahren wird die Distanz zwischen zwei Clustern als Maximum der paarweisen Distanzen der Akteure aus den beiden Clustern definiert. (In der Literatur oft auch als Distanz der ,entferntesten' Nachbarn (furthest neighbour) bezeichnet.) Bei diesem Hierarchical-clustering-Verfahren wird die Distanz zwischen zwei Clustern als Minimum der paarweisen Distanzen der Akteure aus den bei den Clustern definiert. (In der Literatur oft auch als Distanz des ,nächsten' Nachbarn (nearest neighbour) bezeichnet.) Sei G ein gerichteter Graph. Der Innengrad dj(k) eines Knoten k ist gleich der Anzahl der Knoten, von denen k adjazent ist. Der relative Innengrad eines Knoten k ist gleich seinem Innengrad geteilt durch g-l (g ist die Anzahl der Knoten des Graphen). Eine Kante I eines Graphen G heißt mit einem Knoten k inzident, wenn kein Endknoten von I ist. In diesem Fall sagen wir auch, dass k mit I inzident ist. Zwei Graphen bzw. gerichtete Graphen G und H, die unbeschriftet nicht voneinander unterscheidbar sind, nennt man isomorph und fasst sie zu einer sogenannten Isomorphieklasse zusammen. Formal bedeutet dies, dass es eine bijektive Abbildung <p der Menge der Knoten von G auf die Menge der Knoten von H gibt, so dass (<p(i), <pU)) eine Kante des Graphen H ist genau dann, wenn (i,j) eine Kante des Graphen G ist, für alle i, j E
N(G). Diese Abbildung nennt man einen Graphenisomorphismus.
Glossar (Fachbegriffe der Netzwerkanalyse) 245
Kante
Klasseneinteilung (Partition)
Knoten
knotengeneriert
Komponente
Komponente, schwache Komponente, starke Konfiguration (triadische)
k-plex
Länge eines Pfades (Weges)
Ein Graph besteht aus einer Menge von Knoten und einer Menge von Kanten, wobei Kanten ungeordnete Paare von Knoten sind. Bei der Darstellung sozialer Netzwerke als Graphen stellt man die Beziehungen zwischen den Akteuren als Kanten dar. Eine Klasseneinteilung (Partition) einer Menge Mist eine Menge von Äquivalenzklassen der Elemente von M, die durch eine auf M definierte Äquivalenzrelation erzeugt wird. Ein Graph besteht aus einer Menge von Knoten und einer Menge von Kanten, wobei letztere ungeordnete Paare von Knoten sind. Bei der Darstellung sozialer Netzwerke als Graphen stellt man die Akteure als Knoten dar. Ein Teilgraph Gs = (Ns. Ls) eines Graphen G heißt knotengeneriert, wenn alle Kanten, die in G zwischen Knoten aus Ns vorhanden sind, auch in Gs vorhanden sind. Eine Komponente (oft auch als "Zusammenhangskomponente" bezeichnet) ist ein maximaler verbundener Teilgraph. Eine schwache Komponente ist ein maximaler schwach verbundener Teilgraph. Eine starke Komponente ist ein maximaler stark verbundener Teilgraph. Eine (triadische) Konfiguration besteht aus den Knoten einer Triade und einigen der möglichen Kanten zwischen diesen Knoten. Dabei wählt man die betrachteten Kanten nach theoretischen Gesichtspunkten aus, da eine Konfiguration zum Testen von Hypothesen auftriadischer Ebene genutzt wird. Ein k-plex ist ein maximaler Teilgraph mit gs Knoten, in dem jeder Knoten zu mindestens gs-k Knoten in dem Teilgraph adjazent ist. Die Länge eines Pfades (Weges) ist gleich der Anzahl der Kanten in ihm.
246 Glossar (Fachbegriffe der Netzwerkanalyse )
maximal Ein Teilgraph eines Graphen G ist maximal bezüglich einer Eigenschaft E, wenn der Teilgraph die Eigenschaft E besitzt, bei Hinzufügung eines beliebigen weiteren Knotens oder einer beliebigen weiteren Kante aus G jedoch diese Eigenschaft verloren geht.
Netzwerk, soziales Ein soziales Netzwerk besteht aus einer Menge von (individuellen oder korporativen) Akteuren und den zwischen den Akteuren bestehenden Beziehungen. Es kann als Graph repräsentiert werden mit den Akteuren als Knoten und den Beziehungen als Kanten.
n-clan Ein n-clan ist ein maximaler Teilgraph, innerhalb dessen alle Knoten maximal die geodätische Distanz n zueinander haben.
n-Clique Eine n-Clique ist ein maximaler Teilgraph mit der Eigenschaft, dass alle seine Knoten im zugrundeliegenden Graphen maximal die geodätische Distanz n zueinander haben.
Pfad Ein Weg, in dem alle Kanten verschieden sind, heißt Pfad.
Pfeil In einem gerichteten Graphen bezeichnet man ein geordnetes Paar von Knoten als Pfeil.
Position Eine Position ist eine Menge von Akteuren, die ähnlich in ein Netzwerk eingebettet sind. Im strengen Falle besteht eine Position nur aus (automorph oder regulär oder strukturell) äquivalenten Knoten.
Position, triadische Mengen von Akteuren, die gemessen durch ihren Positionenzensus in gleicher oder ähnlicher Weise in ihre triadischen Umgehungen eingebettet sind, befinden sich in der gleichen (triadischen) Position.
Positionenzensus Die Verteilung aller (g-l Hg-2)/2 triadischen Umgehungen eines Akteurs auf die 36 unterscheidbaren Positionstypen heißt Positionenzensus.
Glossar (Fachbegriffe der Netzwerkanalyse) 247
Positionstyp
Prestige
Prestige, prestige Prestige, prestige
Reflexivität
Relation
Rolle
degree
rank
Rollenbündel
Jede der (g-I)(g-2)/2 triadischen Umgehungen eines Akteurs befindet sich (in gerichteten Graphen) in einem von 64 verschiedenen Zuständen. Geht man davon aus, dass (aus der Sicht des betrachteten Akteurs) nur die Struktur der Triade, nicht jedoch die Identität der beiden anderen Akteure, bedeutsam ist, dann gibt es nur noch 36 strukturell unterscheidbare Zustände dieser Triade. Diese 36 unterscheidbaren Zustände heißen Positionstypen. Die Zentralität eines Akteurs bezüglich eingehender Beziehungen bezeichnet man mit Prestige. Zu seiner Messung gibt es verschiedene Konzepte (z.B. degree prestige, rank prestige). Das degree prestige eines Akteurs ist gleich seinem relativen Innengrad. Rank prestige ist ein rekursives Konzept von Prestige, das auf der Annahme beruht, dass derjenige hohes Prestige besitzt, der Beziehungen von anderen Akteuren erhält, die selbst hohes Prestige besitzen. Eine Relation R auf einer Menge M heißt reflexiv, wenn fiir alle aEM gilt: aRa, d.h. wenn jedes Element von M in Relation R zu sich selbst steht. Es sei M eine beliebige Menge. Eine Menge R geordneter Paare (a, b) von Elementen a, bEM wird eine Relation aufM genannt. Statt a, bER schreibt man auch aRb und sagt, dass a und b in Relation R stehen. Eine Rolle in einem sozialen Netzwerk ist eine Verknüpfung (Verkettung) von Beziehungen, wie etwa "Freund eines Freundes" oder "Sohn einer Schwester". Die Menge der Rollen, die mit einem Akteur bzw. einer Position in einem sozialen Netzwerk verbunden sind, nennt man das Rollenbündel des Akteurs bzw. der Position.
248
Rollenstruktur
Semipfad
Soziomatrix
Stern
Symmetrie
Teilgraph
Teilgruppe
Transitivität
Glossar (Fachbegriffe der Netzwerkanalyse )
Die Rollenstruktur eines sozialen Netzwerkes ist eine Beschreibung der Art, wie die Beziehungen in dem Netzwerk miteinander verknüpft sind. Sie ist als Multiplikationstabelle der Halbgruppe darstellbar, die durch Boole 'sehe Matrizenmultiplikation auf der Menge der Matrizen fiir die einzelnen Beziehungen entsteht. Ein Semipfad zwischen Knoten u und v in einem gerichteten Graphen ist eine endliche Folge von unterschiedlichen Knoten und Pfeilen, in denen die Pfeile nicht notwendig von dem vorangehenden Knoten zu dem nächsten Knoten gerichtet sind. Die Darstellung eines sozialen Netzwerkes als Adjazenzmatrix A = (aij), in der das (i,j)-te Element die Stärke der Beziehung von Akteur i zu Akteur j angibt. Ein Graph mit g Knoten, in dem ein Knoten den Grad g-l und alle anderen Knoten den Grad 1 besitzen, in dem also ein Knoten adjazent zu allen anderen Knoten ist und in dem darüber hinaus keine weiteren Kanten existieren, heißt Stern. Eine Relation R auf einer Menge M heißt symmetrisch, wenn für alle a, bE M gilt: aRb=>bRa (wenn a in Relation zu b steht, dann steht auch b in Relation zu a). Es sei H ein Graph mit der Knotenmenge K(H) und der Kantenmenge L(H) und es sei G ein Graph mit der Knotenmenge K(G) und der Kantenmenge L(G). Dann wird Hals Teilgraph von G bezeichnet, wenn K(H) ~ K(G) und L(H) ~ L(G) und alle Kanten aus L(H) nur Endknoten aus K(H) besitzen. Als Teilgruppe bezeichnet man eine Menge von Akteuren innerhalb eines sozialen Netzwerkes, die eine hohe innere Verbundenheit (z.B. Clique, k-plex) oder eine große Nähe der Akteure zueinander (z.B. Clique, nClan, n-Clique) aufweist. Eine Relation R auf einer Menge M heißt transitiv, wenn für alle a, b, c E M gilt: wenn aRb und bRc dann auch aRc.
Glossar (Fachbegriffe der Netzwerkanalyse ) 249
Transponierte Die Transponierte zu einer Matrix A ist diejenige Matrix, deren Zeilen gleich den Spalten von A und deren Spalten gleich den Zeilen von A sind.
Triade Eine Triade ist ein Teilgraph eines gerichteten Graphen aus 3 Knoten und allen Kanten, die im zugrundeliegenden Graphen zwischen den drei Knoten existieren.
Triade, intransitive Eine Triade heißt intransitiv, wenn es in ihr Akteure a, b, c gibt mit: a wählt (bzw. hat eine Beziehung zu) b und b wählt c, aber a wählt c nicht.
Triade, transitive Eine Triade heißt transitiv, wenn in ihr für alle Akteure a, b, c gilt: Wenn a den b wählt (eine Beziehung zu b hat) und b den c wählt, wählt auch a den c; (a ~ b /\ b ~ c) ~ a ~ c. Dieser Ausdruck ist im trivialen Sinne auch wahr, wenn die Voraussetzung nicht erfüllt wird, wenn also a den b nicht wählt oder b den c nicht wählt. Falls letzteres für alle 6 Tripletts der Triade gilt, dann bezeichnet man diese oft auch als "neutrale" oder als im leeren Sinne transitive ("vacuously transitive") Triade.
Triadentyp Die 16 Isomorphieklassen für Triaden in gerichteten Graphen bezeichnet man auch als die Triadentypen.
Triadenzensus Einen Vektor, der die Häufigkeiten des Vorkommens der 16 Triadentypen in einem sozialen Netzwerk enthält, nennt man den Triadenzensus des sozialen Netzwerks.
Triplett Tripletts sind Konfigurationen, die die Beziehungen der drei Akteure einer Triade aus der Sicht eines Akteurs beschreiben. Eine Triade besteht aus 6 Tripletts. In einer Triade aus den Akteuren i, j und k gibt das Triplett (ijk) Auskunft über die Beziehung von i zu k über j und die direkte Beziehung von i zu k. Analog können 5 weitere Tripletts in dieser Triade gebildet werden: (ikj), (jik), (jki), (kij), (kji).
Triplett, intransiti- Das Triplett (ijk) ist intransitiv, wenn die indirekte ves Beziehung von i zu k (über j) existiert, die direkte aber
nicht, also: i wählt j, j wählt kund i wählt k nicht.
250
Triplett, transitives
Vmgebung, triadisehe
Vnverbundenheit
(V!MAN)Verteilung
(vi Xi> = k)Verteilung
Verbundenheit
Glossar (Fachbegriffe der Netzwerkanalyse )
Transitivität eines Tripletts kann streng oder weniger streng definiert sein: In der hier genutzten strengen Version ist das Triplett (ijk) nur dann transitiv, wenn sowohl die direkte als auch die indirekte Beziehung (über j) von i zu k existiert, wenn also i denj wählt undj den k wählt und auch iden k wählt. In der weniger strengen Version bezeichnet man das Triplett (ijk) auch dann als transitiv, wenn einer der beiden Vordersätze (i wählt j oder j wählt k) nicht erfüllt ist. Man nennt Tripletts, im letztgenannten Fall "neutrale" Tripletts oder im leeren Sinne transitive ("vacuously transitive") Tripletts. Eine triadisehe Vmgebung eines Akteurs besteht aus einer Triade, die diesen Akteur enthält. Jeder Akteur in einem sozialen Netzwerk der Größe g ist in (g-l )·(g-2)12 Triaden enthalten, besitzt also ebenso viele triadische Umgebungen. Einen Graphen bezeichnet man als unverbunden, wenn es mindestens zwei Knoten in ihm gibt, die nicht für einander erreichbar sind. Die (V ! MAN)-Verteilung ist eine Gleichverteilung der Kanten eines gerichteten Graphen (Gleichverteilung bedeutet, dass jede Kante die gleiche Wahrscheinlichkeit hat, vorhanden zu sein) unter der Bedingung, dass es in ihm M mutuelle, A asymmetrische und N Nulldyaden gibt. Die (V I Xi> = k)-Verteilung ist eine Gleichverteilung der Kanten eines gerichteten Graphen (Gleichverteilung bedeutet, dass jede Kante die gleiche Wahrscheinlichkeit hat, vorhanden zu sein) unter der Bedingung, dass jeder Knoten den Außengrad k hat. Ein Graph heißt verbunden, wenn alle Paare seiner Knoten für einander erreichbar, also mindestens indirekt miteinander verbunden sind.
Glossar (Fachbegriffe der Netzwerkanalyse) 251
Verbundenheit, schwache
Verbundenheit, starke
vollständig
Weg
Zentralisierung
Zentralität
Ein gerichteter Graph heißt schwach verbunden, wenn in ihm je zwei Knoten zumindest durch einen Semipfad miteinander verbunden sind. Ein gerichteter Graph heißt stark verbunden, wenn rur jedes geordnete Paar von Knoten (u,v) in G gilt: v ist von u aus erreichbar. Ein vollständiger Graph ist ein Graph, in dem jedes Paar (u, v) von Knoten mit (u f- v) durch eine Kante verbunden ist. Ein Weg in einem Graphen ist eine endliche Folge W=koll kl hk2 ••• km_I Im km , deren Terme abwechselnd Knoten und Kanten sind, so dass fiir 1 :0::; i :0::; m, die Kante li die Endknoten ki_1 und ki besitzt. In einem Weg dürfen Knoten, anders als in einem Pfad, auch mehrmals vorkommen. Ein soziales Netzwerk ist in dem Maße zentralisiert, in dem mindestens ein Akteur sehr zentral im Verhältnis zu den anderen ist, bzw. in dem Maße, in dem die Zentralität der Akteure in dem sozialen Netzwerk variiert. Zentralisierung ist also eine strukturelle Eigenschaft eines Netzwerkes. Zentralisierungsindizes können zu jedem der Zentralitätskonzepte auf mehrere Weisen gebildet werden. Ein Akteur in einem sozialen Netzwerk ist zentral, wenn er eine wichtige Stellung in dem sozialen Netzwerk einnimmt. Diese Wichtigkeit kann in der Menge seiner Beziehungen (degree centrality), in der Nähe zu den andem Akteuren (closeness centrality) oder in seiner strategisch günstigen Lage zwischen anderen Akteuren (betweenness centrality) begründet sein.
252
Zentralität, betweenness central-ity
Zentralität, closeness centrality
Zentralität, degree centrality
Glossar (Fachbegriffe der Netzwerkanalyse)
Der Index ilir betweenness centrality (als Ausdruck fiir die Wichtigkeit eines Akteurs auf grund seiner strategisch günstigen Lage zwischen anderen Akteuren) beantwortet die Frage, auf welchem Anteil der kürzesten Pfade zwischen Paaren anderer Akteure ein Akteur durchschnittlich liegt. Man berechnet ihn als:
~ gjk(ni)j
L... /gjk
j<k
() j,kc#i
ch ni = (g-1)'(g-2)/2 Der Index fiir c10seness centrality (als Ausdruck fiir die Wichtigkeit eines Akteurs auf grund seiner Nähe zu den anderen Akteuren) ist das Inverse der durchschnittlichen Distanz dieses Akteurs zu den andem Akteuren des sozialen Netzwerks. Man berechnet ihn als
g-l ce (ni) = -g---'='----
L.d(ni,n) j=!
Die degree centrality eines Knoten (als Ausdruck fiir die Wichtigkeit eines Akteurs auf grund der Menge seiner Beziehungen) in einem gerichteten Graphen ist gleich seinem relativen Außengrad. In einem (ungerichteten) Graphen ist sie gleich seinem relativen Grad.
Anhang A (Datensätze der Newcomb Fraternity)
Der Datensatz der Newcomb Fraternity für das zweite Jahr und Matrizen für verschiedene Kodierungen der Daten der 14. Woche
(1) Datensatz der Newcomb Fraternity, Wochen 0-15 (Werte auf der Hauptdiagonalen sind nicht definiert). Nummerierung nach P. Nord1ie (1958).
Woche 0:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 0 7 12 11 10 4 13 14 15 16 3 9 1 5 8 6 2 2 8 0 16 1 11 12 2 14 10 13 15 6 7 9 5 3 4 3 13 10 0 7 8 11 9 15 6 5 2 1 16 12 4 14 3 4 13 1 15 0 14 4 3 16 12 7 6 9 8 11 10 5 2 5 14 10 11 7 0 16 12 4 5 6 2 3 13 15 8 9 1 6 7 13 11 3 15 0 10 2 4 16 14 5 1 12 9 8 6
7 15 4 11 3 16 8 0 6 9 10 5 2 14 12 13 7 1 8 9 8 16 7 10 1 14 0 11 3 2 5 4 15 12 13 6 9 6 16 8 14 13 11 4 15 0 7 1 2 9 5 12 10 3
10 2 16 9 14 11 4 3 10 7 0 15 8 12 13 1 6 5 11 12 7 4 8 6 14 9 16 3 13 0 2 10 15 11 5 1 12 15 11 2 6 5 14 7 13 10 4 3 0 16 8 9 12 1 13 1 15 16 7 4 2 12 14 13 8 6 11 0 10 3 9 5 14 14 5 8 6 13 9 2 16 1 3 12 7 15 0 4 11 10
15 16 9 4 8 1 13 11 12 6 2 3 5 10 15 0 14 7 16 8 11 15 3 13 16 14 12 1 9 2 6 10 7 5 0 4 17 9 15 10 2 4 11 5 12 3 7 8 1 6 16 14 13 0
254 Anhang A (Datensätze der Newcomb Fraternity)
Woche 1: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 9 14 7 11 8 16 12 3 15 13 4 1 2 10 5 6 2 13 0 12 1 8 10 3 15 14 16 11 5 6 7 9 4 2 3 13 9 0 5 4 10 14 16 6 11 8 1 12 7 2 15 3 4 9 1 13 0 7 5 4 15 3 16 12 6 8 11 10 14 2 5 2 9 12 5 0 13 15 7 11 14 4 8 1 16 6 10 3 6 1 12 15 4 10 0 13 6 2 14 9 11 3 5 8 16 7 7 15 4 13 1 14 9 0 10 5 7 6 2 11 8 12 16 3 8 9 14 16 7 12 1 15 0 13 2 6 8 3 11 4 10 5 9 10 15 12 6 11 5 4 16 0 14 1 9 13 3 8 7 2
10 2 16 6 14 12 4 3 9 7 0 13 11 1 15 8 10 5 11 11 6 3 7 4 15 8 14 2 16 0 5 10 12 13 9 1 12 15 6 3 4 8 14 1 13 2 10 9 0 12 16 7 11 5 13 1 11 16 7 2 3 8 5 9 13 6 10 0 12 14 15 4 14 15 12 4 2 5 10 3 16 1 14 13 9 11 0 7 6 8 15 14 5 2 3 1 10 8 13 7 4 16 6 11 15 0 12 9 16 12 14 16 6 10 15 9 13 1 4 3 5 8 7 11 0 2 17 10 12 7 1 2 14 6 16 3 8 9 4 5 11 13 15 0
Woche 2: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 14 9 6 4 16 11 8 15 3 7 2 1 12 10 5 2 8 0 13 1 6 10 2 15 14 16 12 5 7 4 11 9 3 3 11 13 0 5 6 9 14 15 8 10 7 2 12 4 3 16 1 4 11 1 13 0 6 5 4 14 2 16 8 9 7 15 10 12 3 5 2 9 12 5 0 7 16 6 10 15 4 11 1 14 8 13 3 6 1 9 14 7 8 0 13 4 2 16 11 10 3 5 12 15 6 7 16 2 9 4 12 10 0 8 6 13 5 1 11 7 15 14 3 8 10 13 16 2 5 1 15 0 14 7 6 8 4 11 9 12 3 9 10 9 12 3 11 2 6 15 0 16 1 7 13 5 8 14 4
10 4 16 11 15 13 1 2 8 9 0 12 10 3 14 6 7 5 11 7 10 3 8 9 13 6 14 2 16 0 4 5 15 11 12 1 12 15 3 7 4 10 16 1 14 2 8 9 0 13 5 11 12 6 13 1 10 16 12 2 3 13 4 8 7 6 11 0 9 15 14 5 14 6 9 10 8 7 3 11 15 1 16 12 5 13 0 2 14 4 15 15 2 4 3 6 14 16 13 7 1 9 8 12 11 0 5 10 16 15 7 10 8 12 16 11 13 2 6 5 4 14 3 9 0 1 17 6 11 8 1 3 15 4 16 2 13 9 7 5 12 10 14 0
Anhang A (Datensätze der Newcomb Fraternity) 255
Woche 3: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 14 9 6 4 16 11 8 15 3 7 1 2 12 10 5 2 13 0 12 1 7 10 4 14 8 15 11 6 9 5 16 3 2 3 9 11 0 3 8 4 13 15 7 16 6 2 10 12 5 14 1 4 8 2 16 0 5 6 4 13 3 15 12 10 7 14 11 9 1 5 2 9 15 7 0 4 14 5 6 16 8 13 1 10 12 11 3 6 1 16 8 6 11 0 13 2 3 14 15 10 4 7 9 12 5 7 13 3 8 4 14 15 0 10 2 12 6 1 9 7 11 16 5 8 9 11 16 2 5 1 14 0 13 4 6 12 3 10 7 15 8 9 9 11 12 5 8 1 2 14 0 16 6 7 10 4 13 15 3
10 6 12 9 15 14 5 3 7 13 0 16 10 2 11 1 8 4 11 10 5 4 6 7 15 8 14 2 16 0 3 9 13 12 11 1 12 14 3 6 4 13 15 1 16 2 10 7 0 8 5 12 11 9 13 2 14 15 6 1 3 7 4 8 16 10 11 0 9 12 13 5 14 2 6 11 4 13 5 9 15 1 14 7 8 16 0 10 12 3 15 15 3 4 2 8 12 16 14 9 1 13 6 10 11 0 5 7 16 14 5 11 6 8 15 7 16 1 10 9 2 13 4 12 0 3 17 4 16 10 1 3 11 7 13 2 14 6 8 5 12 9 15 0
Woche 4: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 15 9 6 4 11 10 8 16 3 7 2 1 12 14 5 2 10 0 14 1 2 11 6 12 8 15 9 3 7 5 16 13 4
3 8 15 0 3 9 4 5 12 6 14 11 1 10 7 13 16 2 4 9 2 16 0 5 8 4 14 3 15 10 7 6 11 13 12 1 5 2 10 15 6 0 5 8 4 7 16 9 12 1 13 11 14 3 6 1 14 10 7 6 0 13 2 4 16 12 11 3 8 9 15 5 7 12 4 9 3 13 14 0 11 2 15 7 1 8 6 10 16 5 8 9 12 15 5 3 1 14 0 13 10 6 11 2 7 8 16 4 9 9 11 13 1 8 2 5 14 0 16 7 6 10 4 12 15 3
10 9 8 13 12 14 6 4 5 7 0 10 1 15 11 2 16 3 11 10 4 5 6 7 15 8 12 2 16 0 3 9 11 14 13 1 12 14 2 8 4 13 16 1 15 3 10 6 0 9 5 12 11 7 13 1 15 12 6 2 4 11 3 9 16 10 8 0 7 13 14 5 14 4 5 13 6 9 2 7 15 1 10 8 3 16 0 14 11 12 15 15 13 4 8 9 7 16 14 10 6 11 1 12 5 0 3 2 16 9 7 8 5 6 16 12 15 2 14 11 1 13 3 10 0 4 17 4 15 13 1 2 10 5 12 3 14 9 8 6 11 7 16 0
256 Anhang A (Datensätze der Newcomb Fraternity)
Woche 5: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 15 5 8 4 12 6 7 16 9 10 1 3 11 14 2 2 10 0 13 1 5 11 4 12 6 16 8 2 9 7 15 14 3 3 8 13 0 9 5 6 2 11 10 15 4 3 7 12 14 16 1 4 10 2 16 0 4 5 6 11 3 15 9 7 8 13 14 12 1 5 2 9 15 6 0 7 8 4 5 16 11 12 1 10 13 14 3 6 1 13 10 6 7 0 11 2 4 16 14 12 3 8 9 15 5 7 13 4 9 3 10 11 0 12 2 15 7 1 8 5 14 16 6 8 9 12 15 2 4 1 13 0 14 10 8 11 3 6 7 16 5 9 10 9 15 6 2 1 4 12 0 14 8 7 11 5 13 16 3
10 10 7 11 14 13 4 6 8 5 0 15 3 12 9 2 16 1 11 10 2 4 6 7 14 8 15 3 16 0 5 9 11 13 12 1 12 12 2 9 3 15 16 1 13 4 11 7 0 8 5 14 10 6 13 1 13 15 10 5 2 7 3 9 16 11 6 0 8 12 14 4 14 8 11 9 10 3 4 2 12 1 13 5 6 14 0 16 15 7 15 14 10 11 2 7 4 12 15 8 16 13 5 9 6 0 3 1 16 13 6 12 4 8 14 7 11 1 16 10 3 15 5 9 0 2 17 5 14 8 1 3 9 4 10 2 15 11 6 7 13 12 16 0
Woche 6: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 15 5 8 4 12 6 7 16 9 10 1 3 11 14 2 2 3 0 14 1 5 6 8 12 9 15 7 2 11 10 16 13 4 3 5 13 0 10 9 3 4 7 11 14 8 2 6 12 15 16 1 4 10 3 16 0 5 6 4 11 2 12 9 7 8 14 15 13 1 5 4 9 15 7 0 5 6 8 2 16 10 13 1 11 12 14 3 6 1 13 12 6 8 0 10 2 3 16 14 11 4 7 9 15 5 7 13 4 8 3 9 10 0 11 2 16 7 1 12 5 14 15 6 8 9 12 15 2 8 1 13 0 14 11 10 7 6 3 5 16 4 9 12 6 15 5 3 1 7 10 0 16 9 8 11 4 13 14 2
10 4 11 14 12 13 3 6 7 9 0 10 2 15 8 5 16 1 11 11 4 5 6 7 13 8 12 3 16 0 2 10 9 14 15 1 12 11 2 8 4 15 16 1 14 3 13 7 0 9 5 12 10 6 13 1 13 14 9 5 3 7 2 10 16 11 8 0 6 12 15 4 14 2 9 10 11 8 4 3 12 1 16 5 6 13 0 15 14 7 15 13 8 15 4 5 7 11 12 1 16 9 2 14 10 0 3 6 16 15 6 8 3 12 13 10 9 4 14 11 1 16 5 7 0 2 17 4 10 13 2 3 9 5 11 1 16 6 7 8 15 12 14 0
Anhang A (Datensätze der Newcomb Fraternity) 257
Woche 7: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 15 5 8 4 12 7 6 16 9 10 1 3 11 14 2 2 6 0 14 1 5 9 8 11 4 15 7 2 10 12 16 13 3 3 7 13 0 11 8 3 2 6 12 16 5 4 9 10 14 15 1 4 10 2 16 0 7 5 4 13 3 15 9 6 8 11 14 12 1 5 3 8 15 5 0 7 6 9 1 16 10 11 2 12 13 14 4 6 1 12 13 6 8 0 10 2 4 16 14 11 3 9 7 15 5 7 11 4 8 3 10 12 0 13 2 16 7 1 9 5 14 15 6 8 7 9 15 4 8 1 10 0 14 13 12 11 5 2 3 16 6 9 10 6 15 4 3 1 7 12 0 16 9 8 11 5 13 14 2
10 9 10 15 11 13 8 3 4 7 0 6 2 14 12 5 16 1 11 8 4 3 6 7 14 11 13 2 16 0 5 12 9 10 15 1 12 13 2 9 4 11 16 1 15 3 14 5 0 8 6 12 10 7 13 1 9 14 10 5 3 6 2 11 16 12 8 0 7 13 15 4 14 2 12 13 5 11 6 4 10 1 14 3 7 9 0 15 16 8 15 6 11 15 7 9 1 13 10 3 16 5 8 14 12 0 2 4 16 11 6 14 2 10 15 7 13 4 16 9 1 12 8 5 0 3 17 4 8 13 3 1 11 5 10 2 16 6 12 7 14 9 15 0
Woche 8: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 16 14 5 8 4 12 6 7 15 9 10 1 3 11 13 2 2 7 0 13 2 6 4 9 10 8 15 5 3 11 12 16 14 1 3 12 8 0 5 9 3 6 10 14 16 4 2 11 7 13 15 1 4 10 2 15 0 6 4 7 9 3 16 12 5 8 13 14 11 1 5 3 8 14 6 0 7 5 9 1 16 11 10 4 12 13 15 2 6 1 12 13 5 8 0 10 3 4 16 14 11 2 9 7 15 6 7 11 3 5 4 9 13 0 12 2 16 6 1 10 8 14 15 7 8 1 11 15 4 5 2 14 0 12 13 9 10 8 3 7 16 6 9 8 10 15 3 5 1 7 11 0 16 9 6 12 4 13 14 2
10 5 11 14 12 13 9 2 1 16 0 7 4 10 8 6 15 3 11 13 4 7 6 5 14 8 10 3 16 0 2 11 12 9 15 1 12 11 2 8 4 10 15 1 13 3 16 6 0 9 7 14 12 5 13 1 13 14 12 5 2 6 3 8 15 11 9 0 7 10 16 4 14 2 9 15 10 16 4 5 7 1 11 12 3 6 0 14 13 8 15 8 12 15 7 6 3 13 11 1 16 4 5 10 14 0 2 9 16 11 6 14 4 12 15 9 10 3 16 8 1 13 7 5 0 2 17 4 10 12 3 1 11 5 13 2 16 7 6 8 14 9 15 0
258 Anhang A (Datensätze der Newcomb Fraternity)
Woche 10: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 14 8 12 2 7 4 6 16 10 9 1 5 11 15 3 2 9 0 14 3 5 4 10 7 6 13 8 2 11 12 15 16 1 3 12 7 0 8 9 4 3 10 5 16 6 2 13 11 14 15 1 4 10 3 16 0 5 2 8 14 4 15 9 6 7 12 13 11 1 5 2 8 15 7 0 5 9 6 1 13 10 12 3 11 14 16 4 6 1 12 13 5 7 0 11 2 4 15 14 10 3 8 9 16 6 7 12 4 3 10 8 13 0 14 5 11 2 1 7 6 16 15 9 8 1 11 15 8 5 2 13 0 9 14 10 7 4 3 12 16 6 9 12 6 14 4 5 1 9 10 0 16 8 7 11 3 13 15 2
10 5 11 14 15 13 8 4 2 7 0 12 3 10 9 6 16 1 11 11 4 5 6 7 14 8 12 3 13 0 2 9 10 15 16 1 12 11 2 9 6 10 14 1 13 3 16 5 0 8 7 15 12 4 13 1 13 14 10 3 2 7 4 9 16 11 8 0 6 12 15 5 14 2 9 15 5 16 10 4 11 1 12 6 3 7 0 14 13 8 15 10 7 13 2 9 5 11 14 4 15 8 6 12 16 0 1 3 16 14 5 12 4 10 15 9 11 3 16 7 2 13 8 6 0 1 17 4 5 11 2 3 8 13 12 1 16 6 7 9 14 10 15 0
Woche 11: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 14 9 6 4 16 11 8 15 3 7 2 1 12 10 5 2 9 0 14 2 6 5 11 8 4 12 7 3 10 13 16 15 1 3 6 8 0 7 12 3 4 10 5 16 9 1 14 11 13 15 2 4 11 2 15 0 6 3 8 10 4 16 7 9 5 12 14 13 1 5 4 8 14 7 0 6 9 5 1 13 11 12 3 10 15 16 2 6 1 12 14 5 8 0 10 2 4 15 13 11 3 9 7 16 6 7 8 10 4 3 11 13 0 12 9 14 2 1 5 6 15 16 7 8 1 8 15 3 2 5 13 0 12 10 11 9 6 4 14 16 7 9 10 8 13 4 5 1 9 12 0 16 6 7 11 3 14 15 2
10 11 7 15 8 14 4 1 5 6 0 9 10 12 13 3 16 2 11 8 4 3 7 6 13 9 10 5 14 0 2 11 12 15 16 1 12 9 2 10 5 11 15 1 12 3 16 6 0 8 7 14 13 4 13 1 11 14 9 4 3 7 2 8 15 12 10 0 6 13 16 5 14 3 9 13 10 11 5 1 12 2 14 4 6 7 0 15 16 8 15 12 15 8 3 9 7 10 14 1 16 5 6 11 l3 0 4 2 16 14 7 15 3 10 12 6 11 2 16 9 1 13 8 5 0 4 17 4 5 12 2 3 9 11 14 1 16 8 6 7 13 10 15 0
Anhang A (Datensätze der Newcomb Fraternity) 259
Woche 12: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 10 15 6 9 2 13 7 5 16 11 12 1 4 8 14 3 2 6 0 13 4 7 2 11 8 5 14 9 3 10 12 15 16 1 3 8 7 0 6 13 2 11 14 5 16 12 3 9 10 4 15 1 4 11 3 16 0 4 2 8 10 6 14 7 5 9 12 13 15 1 5 5 8 14 4 0 7 9 6 1 13 12 11 2 10 15 16 3 6 1 11 14 5 7 0 10 2 4 15 13 12 3 9 8 16 6 7 7 11 6 5 8 13 0 14 3 12 2 1 4 9 16 15 10 8 1 9 15 4 5 6 13 0 12 11 10 8 2 3 14 16 7
9 11 9 14 4 5 1 8 12 0 16 7 6 10 3 13 15 2 10 5 11 15 10 12 7 2 8 3 0 14 4 6 13 9 16 1 11 13 3 5 8 7 10 9 11 4 16 0 2 12 6 14 15 1 12 11 2 9 6 10 15 1 12 3 16 5 0 7 8 14 13 4 13 1 11 15 12 5 3 6 2 8 13 14 9 0 7 10 16 4 14 4 10 13 11 12 2 5 14 1 15 3 6 7 0 9 16 8 15 11 15 7 4 13 9 16 14 1 12 5 6 10 8 0 3 2 16 13 5 15 3 12 11 7 10 2 16 9 1 14 8 6 0 4 17 3 6 9 4 2 12 11 10 1 16 5 7 8 14 13 15 0
Woche 13: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 12 16 9 13 6 7 4 8 15 10 11 2 3 5 14 1 2 9 0 13 2 6 4 8 11 5 15 7 3 10 12 14 16 1 3 5 8 0 7 11 4 12 13 3 14 15 6 9 10 1 16 2 4 12 4 15 0 3 1 8 10 5 16 7 6 9 11 14 13 2 5 6 4 14 3 0 5 9 8 1 13 11 12 2 10 16 15 7 6 1 11 14 5 7 0 10 2 4 13 15 12 3 9 8 16 6 7 10 5 4 6 11 12 0 13 3 16 2 1 9 7 14 15 8 8 1 10 15 4 6 5 14 0 11 9 7 12 2 3 13 16 8 9 10 7 14 4 5 1 6 12 0 16 9 8 11 2 13 15 3
10 8 12 15 11 13 6 2 9 5 0 10 3 4 14 7 16 1 11 13 4 5 6 7 9 8 10 3 16 0 2 11 12 14 15 1 12 11 2 9 6 10 15 1 12 3 16 5 0 7 8 14 13 4 13 1 10 15 11 5 4 2 3 8 14 12 9 0 7 13 16 6 14 2 12 11 10 9 4 8 13 1 14 3 5 7 0 16 15 6 15 13 15 6 9 11 4 14 10 2 16 12 5 7 8 0 3 1 16 12 6 14 4 11 9 8 13 2 16 10 1 15 7 5 0 3 17 2 3 10 4 5 14 9 12 1 16 8 7 6 13 11 15 0
260 Anhang A (Daten sätze der Newcomb Fraternity)
Woche 14: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 13 14 10 9 4 7 3 6 15 11 8 2 5 12 16 1 2 9 0 13 2 5 6 8 10 3 15 7 4 11 12 14 16 1 3 6 8 0 9 14 5 4 13 7 15 10 3 11 12 2 16 1 4 9 4 15 0 2 3 8 10 5 16 7 6 11 12 14 13 1 5 4 5 13 2 0 7 9 8 1 14 12 11 3 10 15 16 6 6 4 11 15 5 7 0 8 1 2 13 14 12 3 10 9 16 6 7 11 4 10 5 12 13 0 9 6 15 8 1 7 3 14 16 2 8 1 8 15 3 5 4 13 0 11 14 9 10 2 7 12 16 6 9 12 8 14 5 6 1 4 10 0 16 9 7 11 3 13 15 2
10 1 10 14 12 11 6 2 4 9 0 13 7 3 16 5 15 8 11 12 3 5 6 7 9 8 10 4 16 0 2 11 13 14 15 1 12 8 2 11 7 10 14 1 13 3 16 5 0 6 9 15 12 4 13 1 10 15 8 6 3 5 2 11 14 12 9 0 7 13 16 4 14 4 11 12 10 14 1 2 15 3 13 5 7 9 0 8 16 6 15 11 13 9 4 12 6 14 10 2 16 15 3 8 7 0 5 1 16 12 7 13 2 11 9 5 15 3 14 10 1 16 8 6 0 4 17 2 4 14 3 5 9 10 11 1 16 7 8 6 13 12 15 0
Woche 15: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 0 12 15 5 10 11 6 4 7 16 8 9 2 3 13 14 1 2 8 0 13 2 3 6 9 10 5 15 7 4 11 12 14 16 1 3 8 11 0 10 12 3 5 13 4 14 6 2 9 15 7 16 1 4 6 4 15 0 3 2 10 11 5 16 9 8 7 14 12 13 1 5 5 4 13 2 0 8 10 6 1 14 12 11 3 9 15 16 7 6 6 9 14 3 8 0 7 1 2 15 13 11 4 10 12 16 5 7 12 4 8 6 14 10 0 5 9 16 2 1 7 11 13 15 3 8 1 9 15 3 6 4 13 0 11 14 10 8 2 7 12 16 5 9 10 5 13 3 7 1 12 9 0 16 11 6 8 4 14 15 2
10 2 12 14 11 10 6 3 4 7 0 9 1 15 13 5 16 8 11 9 3 6 4 7 13 5 14 8 16 0 2 10 11 12 15 1 12 8 2 12 7 11 14 1 10 3 16 5 0 6 9 15 13 4 13 1 10 14 9 8 5 3 2 7 15 12 11 0 6 13 16 4 14 4 9 16 10 15 2 8 11 1 14 3 7 6 0 12 13 5 15 12 8 11 3 16 7 9 13 4 14 15 5 6 10 0 2 1 16 12 5 16 3 11 8 7 15 2 14 9 1 13 10 6 0 4 17 4 3 14 2 6 10 9 11 1 16 8 7 5 13 12 15 0
Anhang A (Datensätze der Newcomb Fraternity)
(2) Datensatz der Newcomb Fraternity für das zweite Jahr: verschiedene Kodierungen der Daten der 14. Woche
DICH3_14 (=Kodierung A, Woche 14):
261
Die ersten drei Wahlen eines jeden Akteurs werden als' 1 " alle übrigen als '0' kodiert.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 - 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 2 0 - 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 3 0 0 - 0 0 0 0 0 0 0 0 1 0 0 1 0 1 4 0 0 0 - 1 1 0 0 0 0 0 0 0 0 0 0 1 5 0 0 0 1 - 0 0 0 1 0 0 0 1 0 0 0 0 6 0 0 0 0 0 - 0 1 1 0 0 0 1 0 0 0 0 7 0 0 0 0 0 0 - 0 0 0 0 1 0 1 0 0 1 8 1 0 0 1 0 0 0 - 0 0 0 0 1 0 0 0 0 9 0 0 0 0 0 1 0 0 - 0 0 0 0 1 0 0 1
10 1 0 0 0 0 0 1 0 0 - 0 0 1 0 0 0 0 11 0 1 0 0 0 0 0 0 0 0 - 1 0 0 0 0 1 12 0 1 0 0 0 0 1 0 1 0 0 - 0 0 0 0 0 13 1 0 0 0 0 1 0 1 0 0 0 0 - 0 0 0 0 14 0 0 0 0 0 1 1 0 1 0 0 0 0 - 0 0 0 15 0 0 0 0 0 0 0 0 1 0 0 1 0 0 - 0 1 16 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 - 0 17 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 -
262 Anhang A (Datensätze der Newcomb Fraternity)
DI5SY_14 (=Kodierung B, Woche 14): Eine Beziehung wird als '1' kodiert, falls beide Akteure einander unter den ersten fünf wählen. Sonst bekommt die Beziehung den Wert O.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 - 0 0 0 0 1 0 1 0 0 0 0 1 1 0 0 1 2 0 - 0 1 1 0 0 0 0 0 0 1 0 0 0 0 1 3 0 0 - 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 1 0 - 1 1 0 0 1 0 0 0 0 0 0 0 1 5 0 1 0 1 - 0 0 0 0 0 0 0 0 0 0 0 0 6 1 0 0 1 0 - 0 1 1 0 0 0 1 0 0 0 0 7 0 0 0 0 0 0 - 0 0 0 0 1 0 1 0 0 0 8 1 0 0 0 0 1 0 - 0 0 0 0 1 0 0 0 0 9 0 0 0 1 0 1 0 0 - 0 0 0 0 1 0 0 1
10 0 0 0 0 0 0 0 0 0 - 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 - 1 0 0 0 0 0 12 0 1 0 0 0 0 1 0 0 0 1 - 0 0 0 0 0 13 1 0 0 0 0 1 0 1 0 0 0 0 - 0 0 0 0 14 1 0 0 0 0 0 1 0 1 0 0 0 0 - 0 0 0 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - 0 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - 0 17 1 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 -
Anhang A (Datensätze der Newcomb Fraternity) 263
DIMSY_14 (=Kodierung C, Woche 14): Ausgangspunkt ist die Matrix fiir DICH3_14 (=Kodierung A, Woche 14). Treten hier in einer Spalte mehr als drei Einsen (r=Anzahl der Einsen) auf, so wird in der dazugehörigen Zeile immer dort ebenfalls eine Eins eingetragen, wo in der entsprechenden Zeile der ursprünglichen Datenmatrix (fiir Woche 14) mit Rangplätzen als Daten die Rangplätze 4, .. , r vergeben wurden (Dies geschieht fiir alle Akteure). Die so gewonnene Matrix wird symmetrisiert, indem das Minimum von (ij) und (ji) an beiden Stellen eingesetzt wird.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 - 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1 2 0 - 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 3 0 0 - 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 1 0 - 1 0 0 0 1 0 0 0 0 0 0 0 1 5 0 0 0 1 - 0 0 0 1 0 0 0 0 0 0 0 0 6 1 0 0 0 0 - 0 0 1 0 0 0 1 0 0 0 0 7 0 0 0 0 0 0 - 0 0 0 0 1 0 1 0 0 0 8 1 0 0 0 0 0 0 - 0 0 0 0 1 0 0 0 0 9 0 1 0 1 1 1 0 0 - 0 0 1 0 1 0 0 1
10 0 0 0 0 0 0 0 0 0 - 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 - 1 0 0 0 0 1 12 0 0 0 0 0 0 1 0 1 0 1 - 0 0 0 0 1 13 1 0 0 0 0 1 0 1 0 0 0 0 - 0 0 0 1 14 0 0 0 0 0 0 1 0 1 0 0 0 0 - 0 0 0 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - 0 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 - 0 17 1 1 0 1 0 0 0 0 1 0 1 1 1 0 0 0 -
264 Anhang A (Datensätze der Newcomb Fraternity)
NEWRE_14 (=Kodierung D, Woche 14): Die letzten drei Wahlen eines jeden Akteurs werden als' 1 " alle übrigen Wahlen als '0' kodiert.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 - 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 2 0 - 0 0 0 0 0 0 0 1 0 0 0 0 1 1 0 3 0 0 - 0 1 0 0 0 0 1 0 0 0 0 0 1 0 4 0 0 1 - 0 0 0 0 0 1 0 0 0 0 1 0 0 5 0 0 0 0 - 0 0 0 0 1 0 0 0 0 1 1 0 6 0 0 1 0 0 - 0 0 0 0 1 0 0 0 0 1 0 7 0 0 0 0 0 0 - 0 0 1 0 0 0 0 1 1 0 8 0 0 1 0 0 0 0 - 0 1 0 0 0 0 0 1 0 9 0 0 1 0 0 0 0 0 - 1 0 0 0 0 0 1 0
10 0 0 1 0 0 0 0 0 0 - 0 0 0 1 0 1 0 11 0 0 0 0 0 0 0 0 0 1 - 0 0 0 1 1 0 12 0 0 0 0 0 1 0 0 0 1 0 - 0 0 1 0 0 13 0 0 1 0 0 0 0 0 0 1 0 0 - 0 0 1 0 14 0 0 0 0 1 0 0 1 0 0 0 0 0 - 0 1 0 15 0 0 0 0 0 0 1 0 0 1 1 0 0 0 - 0 0 16 0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 - 0 17 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 -
Anhang B (Matrix-Algebra-Befehle in UCINET)
Verwendete Befehle aus dem Matrix-Algebra-Paket von UCINET IV.
Die folgenden Erläuterungen zu den in diesem Buch verwendeten Befehlen basieren auf dem Manual zu UCINET IV (S.P. Borgatti, M.G. Everett und L.C. Freeman 1991).
ADD Syntax: x=add«mat1>,<mat2>,<mat3>, ... ) Erläuterung: Addiert die Matrizen im Argument (elementweise). Beispiel: newl-2 = add(newl,new2) addiert die Matrizen newl und new2 und
speichert das Ergebnis in der Matrix "new 1-2."
BOOLEAN PRODUCT Syntax: x=bprod «matl>,<mat2» Erläuterung: Bildet das Boole'sche Produkt der Matrizen im Argument. Beispiel: AF=bprod(A,F) Bildet das Boole'sche Produkt der Matrizen
A und F und speichert es in der Matrix "AF".
266
DISPLAY Syntax: disp <matl> Erläuterung:
Anhang B (Matrix-Algebra-Befehle in UCINET)
Zeigt das Argument (Matrix, Vektor oder Skalar) auf dem Bildschirm an. Beispiel: disp newfrat zeigt den Datensatz der Newcomb Fraternity
auf dem Bildschirm an.
TOTAL Syntax: x=tot«matl>[R I C I L] [R I C I L]) Erläuterung: Addiert alle Werte des Datensatzes (hier <matl ». Gibt man außer dem Datensatz auch noch eine oder zwei Dimensionen an (rows für Zeilen, cols für Spalten und levels für Matrizen), so werden die Additionen jeweils getrennt für die Zeilen bzw. Spalten bzw. Matrizen (oder deren Kombinationen) durchgeführt. Beispiel: summe = tot(newfrat) summiert alle in der Newcomb Fraternity
vergebenen Rangplätze über alle Wochen und speichert das Ergebnis in der Variable "summe". Das Resultat ist eine Zahl (hier:
spaltsum = tot(newfrat cols) 34680). bildet die Spaltensummen der Newcomb Fratemity über alle Wochen und speichert das Ergebnis im Vektor "spaltsum". Das Ergebnis ist ein Zeilenvektor, der für jeden Akteur die Summe seiner Bewertungen über alle Wochen hinweg enthält.
Personenregister
Albert, R. 216, 217, 227
Anderberg, M.R. 227
Anderson, C.J. 215, 227
Andreß, H.J. 227, 230
Ansell, C.K. 222
Arabie, P. 18, 110, 111, 227,
228
Auray, J.P 228
Back, K.229
Banks, o. 18, 233
Barabasi, A.-L. 216, 217, 227
Batagelj, V. 19, 20, 27, 28,
224, 227
Bavelas, A. 15, 24, 221, 227
Becker, M.P. 233
Berger, C.R. 232
Berkowitz, S.O. 220, 234
Bernard, H.R. 227, 231
Bien, W. 221, 227, 229
Boer, P. 191, 224, 227
Boissevain, J. 221, 227
Bolland, J.M. 58, 227
Bonacich, P. 37, 39, 41,
227
Boorman, S.A. 18, 110,
152, 155, 227, 234
Borgatti, S.P. 6, 19,
104, 105, 138, 223, 225,
228, 229, 234, 265
Bosker, R.J. 80, 233
Bott, E. 228
42,
111,
27,
227,
Boyd, J.P. 104, 227, 229
Brandes, u. 27, 39, 220, 225,
228
Breiger, R.L. 18, 110, 111,
234
Brin, S. 42, 228
Bueno de Mesquita, B. 15,
221, 228
Burt, R.S. 112, 123, 131,
160, 161, 162, 166, 167, 219,
225, 228
Butts, C. 224, 228
Car1ey, K. 18, 233
Carrington, P. 220, 233
Chaffee, S.H. 232
Coleman, J.S. 15, 24, 221,
232
Converse, R.H. 232
Costenbader, E. 219, 228
Costner, H. 226
Crouch, B. 215, 226
Oalud-Vincent, M. 228
Oavis, A. 221
Oavis, J.A. 24, 228
Oiekmann, A. 65, 228, 229,
230
Ooreian, P. 15, 221, 226,
229, 233
Echterhagen, K. 190, 229
Erlebach, T. 220, 228
268
Esser, H. 230
Etzioni, A. 231
Everett, M.G. 6, 19, 104,
105, 138, 225, 227, 228, 229,
265
Fararo, T.J. 15, 221, 229,
Faust, K. 13, 25, 28, 46, 47,
52, 71, 74, 80, 88, 93, 97,
104, 106, 142, 151, 155, 182,
190, 220, 227, 229, 234
Feger, H. 229
Ferligoj, A. 227
Festinger, L. 229
Fischer, C.S. 221
Flap, H. 230, 234
Fors, M. 228
Frank, O. 215, 224
Freeman, L.C. 6, 13, 14, 15,
19, 52, 58, 64, 82, 87, 138,
217, 221, 224, 225, 228, 229,
265
Fruchterman, T.M. 28, 229
Galaskiewicz, J. 221
Gerard, H.B. 175, 230
Gould, R.V. 58, 60
Hallinan, M.T. 230
Harary, F. 130, 230
Hasenkamp, U. 230
Heider, F. 18, 204, 230
Heise, D.R. 230
Hermansson, K. 223, 230
Holland, P.W. 184, 185,
198, 199, 201, 203, 204,
230
Homans, G.C. 195
190,
215,
Hubbell, C.H. 41, 42, 230
Huisman, M. 191, 216, 224,
227, 230
Personenregister
Hummell, H.J. 15, 18, 19,
79, 123, 159, 160, 161,
191, 215, 230
Jansen, D. 220, 230
Jennings, H.H. 13, 232
Jeong, H. 217, 230
Johnsen, E.C. 230
Jones, E.E. 175, 230
Jünger, M.
228, 230
224, 225,
Kamada, T. 28, 230
Kappelhoff , P. 231
Katz, E. 15, 24, 221, 228
Katz, L. 41, 80, 182, 231
Kawai, S. 28, 230
24,
190,
227,
Keener, J.P. 38, 231
Killworth, P.D. 227, 231
Klovdahl, A.S. 15, 221, 231
Knoke, D. 220, 231
Krackhardt, D. 27, 222
Krebs, V.E. 15, 231
Krempel, L. 27, 190, 231
Kuklinski, J. 220, 231
Laskey, K.B. 230
Laumann, E.O. 222, 231
Lazarsfeld, P.F. 13, 14,
215, 231
Leinhardt, S. 184, 185,
198, 199, 201, 203,
220, 230, 231, 234
Levitt, P.R. 18, 227
Liebrand, W.B.G. 233
Little, R. 219, 231
Lorrain, F. 232
Mandel, M.J. 231, 234
Mariolis, P. 231
Marsden, P.V. 231
Matzat, U. 15, 231
204,
21,
190,
215,
Personenregister
Menzel, H. 14, 15, 21, 24,
215, 221, 231, 231
Merton, R.K. 24, 231
Messick, D.M. 233
Milgram, S. 217, 231
Mitchell, J.C. 14, 222, 231
Mizruchi, M.S. 41, 42, 232
Monge, P.R. 232
Moreno, J.L. 13, 232
Mrvar, A. 19, 20, 28, 224,
227
Mutzel, P. 224, 225, 226,
228, 230
Nakao, K. 22, 23, 145, 232
Newcomb, T.M. 5, 17, 18, 21,
75, 115, 126, 175, 183, 206,
207, 213, 232
Newman, M.E.J. 216, 217, 232
Nordlie, P. 17, 18, 30, 222,
232
Ojam, L. 223, 230
Padgett, J.F. 222
Page, L. 42, 228
Panning, W.H. 232
Pappi, F.U. 220, 222, 230,
231, 232
Pattison, P.E. 215, 221, 232,
234
Pearson, K. 32
Peay, E.R. 232
Plümper, T. 231
Potts, B. 62
Powell, J.H. 80, 231
Rapoport, A. 232
Reingold, E.M. 28, 229
Reitz, K.P. 137, 234
Richards, W.D. 218, 232
Richardson, D.C. 19, 223, 232
269
Richardson, J.S. 223, 232
Romney, A.K. 22, 23, 145, 232
Ronchi, D. 219, 228
Rubin, D. 219, 231
Runger, G. 233
Sailer, L.D. 233
Sanil, A. 18, 233
Schachter, S. 229
Schnell, R. 218, 233
Schuessler, K.F. 232
Schweizer, T. 220, 233
Scott, J. 15, 220, 222, 228,
233
Seeley, J.R. 41, 233
Seibt, D. 230
Seidmann, S.B. 233
Shirey, P.R. 228
Smith, D. 15, 222, 233
Snijders, T.A.B. 18, 80, 191,
216, 224, 227, 229, 230, 233
Sobel, M.E. 233
Sodeur, W. 15, 18, 19, 24,
117, 123, 159, 160, 161, 167,
190, 191, 215, 230, 233
Späth, H. 233
Stephenson, K. 233
Stokman, F.N. 15, 221, 228,
230, 233
Stork, D. 218, 233
Strauss, D. 215, 229
Strogatz, S.H. 216, 217, 232
Sunshine, M.H. 229
Szyperski, N. 230
Tam, T. 41, 42, 233
Taylor, M. 41, 42
Thurman, B. 222
Troitzsch, K.G. 229, 230
Tuma, N.B. 232, 234
270
Turner, R.H. 232
Täube, V.G. 130, 233
Valente, T.W. 219, 228
Voss, T. 229, 230
Wagner, D. 39, 228
Ward, J.H. 234
Warner, W.L. 13
Wasserman, s. 13, 18, 25, 28,
46, 47, 52, 71, 74, 80, 88,
97, 104, 106, 142, 151, 155,
182, 190, 215, 216, 220, 227,
228, 229, 233, 234
Watts, D.J. 216, 217, 232,
234
Weesie, J. 230, 234
Personenregister
We11man, B. 15, 220, 222, 234
White, D. 15, 222, 233
White, D.R. 137, 229, 234
White, H.C. 18, 110,
155, 227, 231, 234
Wi1son, E.K. 232
Wi1son, T.R. 182, 231
Winship, C. 234
Wood, J. 221
152,
Wort1ey, S. 15, 222, 234
Zegge1ink, E.P.H. 191, 224,
227, 234
Ze1en, M. 233
Zieg1er,
234, 235
R. 15, 220, 222,
Sachregister
Abneigungsbeziehung 22, 152ff.
Adjazent 16, 105, 237
Adjazenzmatrix 16, 29, 142f., 237
Ähnlichkeit 112ff.
Ähnlichkeit, automorphe 122ff., 140f.
Ähnlichkeit, reguläre 133ff., 140f.
Ähnlichkeit, strukturelle 109ff., 140f.
Antagonistische Gruppierungen 76, 82
Äquivalenz, automorphe 98ff., 103ff., 107f., 140f., 237
Äquivalenz, reguläre 100ff., 106ff., 137ff., 140f., 237
Äquivalenz, strukturelle 98ff., 102ff., 107f., 140f., 238
Äquivalenzklassen (s.a. Klasseneinteilung) 76, 102, 106, 162, 238
Äquivalenzrelation 101f., 238·
Asymmetrie 162ff.
Ausgeglichenheit, s. Balance
Außengrad (relativer) 28, 186, 238
Automorphismus, Graphen-. 103, 243
Balance, balance theory 18, 76, 195ff., 204
Beliebtheit 22, 26, 30, 34f., 40, 61, 66, 68, 128f.
Beziehungen, ausgehende 61
Beziehungen, dichotome 16, 43
Beziehungen, eingehende 61
Beziehungen, gerichtete (nicht-symmetrische) 25, 37ff., 43, 53,
58ff., 138
Beziehungen, symmetrische 16, 43, 46ff., 51ff.
Beziehungen, ungerichtete 25, 43ff.
Beziehungen, bewertete 138
Bildmatrix 141ff., 238
Binomialverteilung 217
Block 111, 238
272
Blockmodell 18, 141ff., 238
BLOCKS 224
Boole'sche Matrizenmultiplikation 151f., 239
centrality, s. Zentralität
Chi-Quadrat 77f., 173, 180
Clan, s. N-Clan
Clique 71ff., 90ff., 239
Clusteranalyse (s.a. hierarchical clustering) 18
Clustermittelpunkt 113, 117
co-membership-matrix, s. gemeinsame Mitgliedschaften
CONCOR 110ff., 145ff., 212
cutpoint 52, 63, 239
Dendogramm 116
Dichotomisierung 21f., 26f., 37, 43
Dichte (lokale) 49, 144, 186, 239
Dichte-Kriterium 144, 154
Diffusion 15
Distanz (Entfernung) 112ff.
Distanz, City Block-, Manhattan- 170f.
Distanz, euklidische 112f., 114f., 170, 239
Distanz, geodätische (Pfaddistanz) 46, 83, 239
Dyade 96, 173ff., 239
Dyade, asymmetrische 175, 178ff., 184, 239
Dyade, mutuelle Dyade 174, 178ff., 182f., 184, 240
Dyade, Nulldyade 174, 178f., 184, 240
Dyade, symmetrische 175
Dynamik von Netzwerken 216
Eigenschaften, absolute 215, 240
Eigenschaften, analytische 215, 240
Eigenschaften, globale 240
Eigenschaften, komparative 240
Eigenschaften, kontextuelle 87, 215, 240
Eigenschaften, relationale 21, 63, 68, 215, 240
Eigenschaften, strukturelle 14, 21, 63, 68, 189, 215, 241
Eigenvektor, Eigenwert 37ff., 241
Eigenvektor-Prestige, s. Prestige, rank prestige
Einbindung (Einbettung), strukturelle 24, 98ff., 102, 119
Einfluss 41f.
Sachregister
Sachregister
Einsblock 144f.
Endknoten 241
Entscheidungsnetzwerke 15
273
Entwicklung, zeitliche 22f., 30ff., 65ff., 75ff., 84f., 88f., 212
Erreichbarkeit (Verbundenheit), rekursive 93f., 165
Erreichbarkeit (Verbundenheit), schwache 95, 165
Erreichbarkeit (Verbundenheit), starke, unilaterale 94f., 165
Erreichbarkeit, s.a. Verbundenheit 38, 47, 90ff. , 241
Erwartungswert 77, 180, 182, 186ff., 190ff., 193, 197, 201, 203,
205, 207
exponential degree distributions 216f.
Fehlende Werte 23, 218f.
Fusion (sniveau) 114, 116f., 120
Galois Verbände 81, 87, 217ff.
Gemeinsame Mitgliedschaften 86, 89f.
geodesic equivalence 123ff., 134
Gewichtungsvektor 196ff., 208ff., 205f., 241
Gini-Koeffizient 65
Gleichverteilung (uniform distribution) 186ff.
Grad (relativer) (s.a. Außen-, Innengrad) 28, 65, 217, 241
Graph (ungerichteter) 15, 46, 242
Graph, bewerteter 16, 74, 242
Graph, gerichteter 16, 46, 74, 93ff., 174, 242
Graph, reduzierter 142, 149f., 154, 243
Graphenautomorphismus, s. Automorphismus
Graphentheorie 13,15
Gruppe (G.-ergebnisse, G.-leistungen, G.-struktur) 15
Halbgruppe 152, 155f., 243
Hierarchical Clustering Verfahren 112ff., 243
Hierarchical clustering, average linkage 113ff., 244
Hierarchical clustering, complete linkage 113ff., 244
Hierarchichal clustering, single linkage 113ff., 244
Hierarchie 149f., 162ff.
Hypothesentests 173ff., 182, 198f., 201ff., 204f., 206f.
Innengrad (relativer) 28f., 66, 244
Innovation 15
Inzident 244
Isomorphieklassen 175, 184ff., 244
274
JUNG 222
Kante 15, 245
KINEMAGE 19,223
Sachregister
Klasseneinteilung (Partition) 102, 107, 111, 112ff., 116ff., 142,
212, 243, 245
Klassifikation, s. Clusteranalyse
Knoten 15, 245
Knotengeneriert 73, 245
Kommunikation 51f., 68
Komponente 90ff., 107, 114, 237, 245
Konfiguration (triadische) 196ff., 204ff., 245
Korrelation 112, 110f., 114
Kosten (eines Pfades) 123f.
K-P1ex 87ff., 91ff., 245
KRACKPLOT 223
Kreis 104
Länge (eines Weges, eines Pfades) 46, 74, 83, 245
Macht 42
MAGE, s. KINEMAGE
Makler 164ff., 219
M-A-N-Notation 184f.
Matrix, irreduzible 38, 41f.
Matrix, nicht-negative, nicht-symmetrische 37ff.
Matrix, symmetrische 37ff.
Maximal 73, 246
MAXSIM 126ff.
Mehrebenenanalyse 19, 80
MOVIEMOL 223
Nachbarschaft 105
Nähe 71, 87
N-Clan 82ff., 91ff., 246
N-Clique 82ff., 91ff., 246
NETDRAW 19, 28, 223
NETZDIA(L) 192, 223
Netzwerk, soziales 14, 244
Newcomb Fraternity 17ff.
Newcomb-Daten, DI5SY (=Kodierung B) 43, 49, 262
Newcomb-Daten, DICH3 (=Kodierung A) 27, 261
Sachregister
Newcomb-Daten, DIMSY (=Kodierung C) 44f., 263
Newcomb-Daten, NEWFR_14 115, 139, 146, 260
Newcomb-Daten, NEWFRAT 20, 253ff.
Newcomb-Daten, NEWRE 14 (=Kodierung D) 152f., 264
Nonresponse 218
Nullblock 145
Orientierungssysteme 75
p*-Mode11e 215, 218
Page-Rank 42
PAJEK 19f., 28, 34f., 223
Peripherie 62, 96
Permutation 111
Perron-Frobenius-Theorem 38
Pfad 46, 246
Pfeil 16, 246
Politiknetzwerke 15
Position 97ff., 102ff., 209ff., 246
Position, triadische 135ff., 159ff., 246
Positionenzensus 129ff., 160ff., 246
Postionstypen 129ff., 134ff., 160ff., 184f., 247
preferentia1 attachment 217
Prestige 25ff., 66, 69, 247
Prestige, degree prestige 28ff., 247
Prestige, rank prestige 35ff., 40ff., 247
Profile, Ähnlichkeit/Unähnlichkeit von P.n 112ff.
Quadrupel 130
R 224
REGE 137ff.
Relation 16, 247
Relation, reflexive 101, 245
Relation, symmetrische 101
Relation, transitive 101
repeater 137f.
Rolle 97ff., 209ff., 247
Rollen, Komposition von 151ff.
Rollenbündel 157, 247
Rollenstruktur 18, 151ff., 156f., 248
Sampling error 58
275
276
scale free networks 216
Schleife (Schlinge) 15f., 29, 144ff., 242
Schwellenwert 22, 27, 32, 114, 154, 158
Selbstorganisation 217
Semipfad 95, 248
SIENA 216, 224
Sachregister
Signifikanztests, Signifikanz 78, 79ff., 174ff., 180f., 203
sink 137f.
small wor1d problem 217
SNA 224
SNOWBALL 224
Source 137f.
Sozialkapital 15
Soziogramm 13
Soziomatrix 16, 37ff., 41, 203, 248
Soziometrie 13
spring embedders 28, 44f., 121, 153
Star 31
Status (s.'Prestige)
Stern 26, 64, 218, 248
Stichproben 78, 219
Stochastische Modelle 173ff.
StOCNET 191, 224
STRUCTURE 123, 131, 135, 167, 225
Strukturmerkmal, s. Eigenschaften, strukturelle
Symmetrie 174ff., 216, 248
Symmetrische Beziehungen, s. Beziehungen, symmetrische
Symmetrische Matrix, s. Matrix, symmetrische
Symmetrisierung 21f.,
Teilgruppe 71ff., 91ff., 210ff., 217, 248
Teilstruktur, Teilgraph 47, 71ff., 90, 174ff., 248
Tetrade 184
Transitivität 18, 76, 158f., 194, 195ff., 203, 212, 216, 248
Transponierte Matrix 37, 115, 140, 178, 186, 249
Triade 130, 159f., 184ff., 249
Triade, (in-) transitive 184, 194, 249
Triade, zyklische 184
Triadentypen 184ff., 249
Sachregister
Triadenzensus 184ff., 191ff., 249
Tripel 194
Trip1ett, (in-) transitives 159, 215, 249f.
Trip1ettzensus 18
Übereinstimmungen (matches) 112, 114
UCINET 19f., 225
UCINET-Routinen, ALGEBRA 33, 148, 156, 177, 179, 265f.
UCINET-Routinen, ALGBRA: ADD 265
UCINET-Routinen, ALGBRA: BPROD 265
UCINET-Routinen, ALGBRA: DISP 266
UCINET-Routinen, ALGBRA: TOT 266
UCINET-Routinen, BETWEENNESS 54, 60
UCINET-Routinen, CLIQUE 76
UCINET-Routinen, CLOSENESS 49
UCINET-Routinen, CLUSTERING 115
UCINET-Routinen, COLLAPSE 167
UCINET-Routinen, CONCOR 146f.
UCINET-Routinen, CORRELATION 33
UCINET-Routinen, DEGREE 31
UCINET-Routinen, DESCRIPTIVE STATISTICS 67
UCINET-Routinen, DICHOTOMIZE 27
UCINET-Routinen, DISSIMILARITIES 171
UCINET-Routinen, DISTANCE 49
UCINET-Routinen, EXTRACT 49, 177
UCINET-Routinen, GEODESIC EQUIVALENCE 124
UCINET-Routinen, HIERARCHICAL 171
UCINET-Routinen, IMPORT 167
UCINET-Routinen, K-PLEX 88
UCINET-Routinen, MAXSIM 127
UCINET-Routinen, MERGE 33
UCINET-Routinen, N-CLAN 85
UCINET-Routinen, PROFILE SIMILARITY 114f.
UCINET-Routinen, RECODE 27, 177
UCINET-Routinen, REGULAR EQUIVALENCE 139
UCINET-Routinen, REVERSE 39
UCINET-Routinen, SIMILARITIES 33
UCINET-Routinen, SPREADSHEET 20, 45, 156
UCINET-Routinen, SYMMETRIZE 43, 177
277
278
UCINET-Routinen, TRANSPOSE 178
UCINET-Routinen, UNIVARIATE 146f.
(UIMAN)-Verteilung 189ff., 250
(Ulxi+=k)-Verteilung 186ff., 250
Umgebung, n-Schritt- 99ff., 122f., 130, 137f., 141, 159f.
Umgebung, triadische 129ff., 135ff., 159ff., 250
Unternehmensverflechtungen 15
Unterstützung, soziale 15, 46
Unverbundenheit (s.a. Verbundenheit) 250
Unvollständige Daten 218
Sachregister
Verbundenheit, s.a. Erreichbarkeit 47, 52f., 71,73, 90, 93ff., 114,
250f.
Verkettung (Verknüpfung) von Beziehungen 151ff.
Vermittlung (von Beziehungen) 164ff.
VISONE 39, 225
Visualisierung 19f., 27ff., 34f., 55ff., 150
Vollständigkeit 73f., 114, 251
Weg 46, 251
Weltwirtschaftsbeziehungen 15
Zentralisierung 25f., 63ff., 251
Zentralität 26ff., 43ff., 69, 210ff., 251
Zentralität, abgeleitete 42
Zentralität, betweenness centrality 25, 51ff., 61, 251
Zentralität, closeness centrality 25, 46ff., 57, 61, 96, 252
Zentralität, degree centrality 25, 61, 252
Zentralität, information centrality 25
Zentralität, reflektierte 42
Zentrum 62, 64, 96
Zerlegung, s. Klasseneinteilung
Zitationsnetzwerke 15
ZO 191, 224
Zufallsmodell 182ff., 186ff.,
Zufallsnetz 20, 173ff., 195, 217
Zusammenhangs komponente , s. Komponente
Methoden Hans Benninghaus
Deskriptive Statistik Eine Einführung für Sozialwissenschaftier 10., durchges. Auf!. 2005. 285 S. mit 23 Abb. und 82 Tab. Br. EUR 19,90 ISBN 3-531-14607-6
Alexander Bogner / Beate Littig / wolfgang Menz (Hrsg.)
Das Experteninterview Theorie, Methode, Anwendung 2., durchges. Auf!. 2005. 278 S. Br. EUR 24,90 ISBN 3-531-14447-2
Uwe Flick
Triangulation Eine Einführung 2004.115 S. mit 10 Abb. und 10 Tab. Qualitative Sozialforschung. Br. EUR 14,90 ISBN 3-8100-3008-2
Cornelia Helfferich
Die Qualität qualitativer Daten Manual für die Durchführung qualitativer Interviews 2. Auf!. 2005.193 S. Br. EUR 14,90 ISBN 3-531-14493-6
Erhältlich im Buchhandel oder beim verlag. Änderungen vorbehalten. Stand: Juli 2005.
III VS VERLAG FOR SOZIALWISSENSCHAFTEN
Reiner Keller
Diskursforschung Eine Einführung für Sozialwissenschaftierinnen 2. Auf!. 2004. 127 S. Qualitative Sozialforschung. Br. EUR 12,90 ISBN 3-531-14387-5
Udo Kuckartz
Einführung in die computergestützte Analyse qualitativer Daten 2005.255 S. Br. EUR 19,90 ISBN 3-531-14247-X
Stefan Kühl / Petra Strodtholz / Andreas Taffertshofer (Hrsg.)
Quantitative Methoden der Organisationsforschung Ein Handbuch 2005.490 S. Br. EUR 29,90 ISBN 3-531-14359-X
wolfgang Langer
Mehrebenenanalyse Eine Einführung für Forschung und Praxis 2004.316 S. Studienskripten zur Soziologie. Br. EUR 29,90 ISBN 3-531-14204-6
www.vs-verlag.de
Abraham-Lincoln-Straße 46 65189 Wiesbaden
Tel. 0611.7878-722 Fax 0611.7878-400
Sozialstruktur Peter A. Berger / Volker H. Schmidt (Hrsg.)
welche Gleichheit -welche ungleichheit? Grundlagen der Ungleichheitsforschung 2004. 244 S. mit 4 Abb. Sozialstrukturanalyse, Bd. 20. Br. EUR 26,90 ISBN 3-8100-4200-5
Matlhias Drilling
Young urban poor Abstiegsprozesse in den Zentren der Sozialstaaten 2004. 339 S. mit 41 Abb. und 57 Tab. Br. EUR 29,90 ISBN 3-531-14258-5
Ronald Hitzler / Stefan Hornbostel / Cornelia Mohr (Hrsg.)
Elitenmacht 2004. 351 S. Soziologie der Politik, Bd. 5. Br. EUR 32,90 ISBN 3-8100-3195-X
Stefan Hradil
Die Sozialstruktur Deutschlands im internationalen vergleich 2004.304 S. Br. EUR 24,90 ISBN 3-8100-4210-2
Erhältlich im Buchhandel oder beim verlag. Änderungen vorbehalten. Stand: Juli 2005.
III VS VERLAG FÜR SOZIALWISSENSCHAFTEN
Monika Jungbauer-Gans / Peter Kriwy (Hrsg.)
Soziale Benachteiligung und Gesundheit bei Kindern und Jugendlichen 2004. 205 S. mit 33 Abb. und 33 Tab. Br. EUR 29,90 ISBN 3-531-14261-5
Gunnar Otle
Sozialstrukturanalysen mit Lebensstilen Eine Studie zur theoretischen und methodischen Neuorientierung der Lebensstilforschung 2004. 400 S. mit 35 Abb. und 50 Tab. Sozialstrukturanalyse, Bd. 18. Br. EUR 34,90 ISBN 3-8100-4161-0
Rudolf Richter
Die Lebensstilgesellschaft 2005.163 S. Br. EUR 19,90 ISBN 3-8100-3953-5
Marc Szydlik (Hrsg.)
Generation und ungleichheit 2004.276 S. Sozialstrukturanalyse, Bd. 19. Br. EUR 24,90 ISBN 3-8100-4219-6
www.vs-verlag.de
Abraham-Lincoln-Straße 46 65189 Wiesbaden
Tel. 0611.7878-722 Fax 0611.7878-400