Course Syllabus
Obiettivi formativi
Alla fine del corso gli studenti saranno in grado di applicare i metodi per l’analisi di dati relazionali per descrivere e spiegare fenomeni che possono essere rappresentati come un network. In particolare, gli studenti saranno in grado di:
- definire i metodi statistici per l’analisi delle reti (Obiettivo ricordare: richiamare i concetti di base)
- spiegare e confrontare i metodi statistici per l’analisi delle reti (Obiettivo comprendere ed analizzare: spiegare i concetti e creare collegamenti tra essi)
- identificare i metodi adeguati ad analizzare un network e rispondere a determinate domande di ricerca; giustificare la scelta del metodo (Obiettivo valutare i metodi appresi e giustificare scelte)
- implementare l’analisi statistica usando il software R: analisi descrittive, stima di modelli, interpretazione dei risultati e valutazione critica dei risultati (Obiettivo applicare la conoscenza: usare i concetti appresi in nuovi contesti)
Contenuti sintetici
Definizione e rappresentazione di network; Analisi descrittive di un network; Modelli per spiegare singole osservazioni di un network; Modelli per spiegare osservazioni di un network ripetute nel tempo; Modelli per l’analisi dei processi di selezione, influenza e diffusione di innovazioni e malattie. I metodi verranno illustrati utilizzando dati di network da diversi contesti (es. sociale, organizzativo ed epidemiologico) usando il software R.
Programma esteso
- Definizione e rappresentazione di network
- Network data
- Matrici di adiacenza e grafi
- Esempi di reti
- Analisi descrittive
- Densità e degree
- Indici di centralità
- Network clustering
- Modelli per singole osservazioni di rete
- Inadeguatezza dei modelli di regressione lineare per dati di network
- Quadratic assignment procedure (QAP regression)
- Modelli di preferential attachment e small-world
- Exponential random graph models (ERGMs)
- Modelli per spiegare osservazioni di un network ripetute nel tempo
- Modelli per dati di tipo panel: Stochastic actor-oriented models (SAOMs)
- Modelli per dati ad eventi: Relational event models (REMs)
- Modelli per i processi di selezione, influenza e di diffusione
- Definizione di processi di influenza, selezione e diffusione
- Stochastic actor-oriented models (SAOMs) per l’evoluzione congiunta dei network e dei comportamenti individuali
- Modelli di diffusione per spiegare la diffusione di innovazioni e malattie
I metodi verranno illustrati utilizzando dati di network da diversi contesti (es. sociale, organizzativo ed epidemiologico) usando il software R.
Prerequisiti
Nessuno
Metodi didattici
Insegnamento con ore frontali e attività di laboratorio con modalità erogativa in presenza. Qualora i laboratori non fossero disponibili per motivi legati alla ristrutturazione degli edifici, la parte delle attività di laboratorio verrà svolta in aule elettrificate e disponibile anche da remoto.
Modalità di verifica dell'apprendimento
L'esame è una prova orale che consiste nella discussione dei concetti introdotti a lezione e di un report. L’esame orale verifica la conoscenza e la comprensione dei concetti e dei metodi introdotti a lezione. Il report consiste in un’analisi di dati di network a scelta dello studente. Consente di verificare la capacità degli studenti di identificare i metodi di network analysis adeguati a rispondere a determinate domande di ricerca; giustificare la scelta dei metodi usati; implementare l’analisi statistica usando il software R
Testi di riferimento
Slides e materiale messo a disposizione sulla piattaforma e-learning.
Testi di utile consultazione:
- Kolaczyk, E. D. (2009). Statistical analysis of network data: model and methods. New York: Springer.
- Kolaczyk, E. D., & Csárdi, G. (2014). Statistical analysis of network data with R (Vol. 65). New York: Springer.
- Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social networks, 29(2), 173-191.
- Snijders, T. A., Van de Bunt, G. G., & Steglich, C. E. (2010). Introduction to stochastic actor-based models for network dynamics. Social networks, 32(1), 44-60.
- Butts, C. T. (2008). A relational event framework for social action. Sociological methodology, 38(1), 155-200.
- Valente, T. W. (2005). Network models and methods for studying the diffusion of innovations. Models and methods in social network analysis, 98-116.
Altri testi per approfondimenti:
- Hennig, M. (2012). Studying social networks: A guide to empirical research. Campus Verlag.
- Lusher, D., Koskinen, J., & Robins, G. (Eds.). (2013). Exponential random graph models for social networks: Theory, methods, and applications. Cambridge University Press.
Periodo di erogazione dell'insegnamento
Secondo semestre, quarto ciclo (approssimativamente da maggio fino a metà giugno)
Lingua di insegnamento
Inglese a meno di una richiesta esplicita dd parte degli studenti di tenere il corso in lingua italiana
Sustainable Development Goals
Learning objectives
By the end of this course, students will be able to apply methods for the analysis of network data to describe and explain phenomena that can be represented as networks. In particular, they will be able to:
- define network statistical methods (Remember: recall facts and basic concepts)
- explain and compare network statistical methods (Understand and analyze: explain ideas and concepts and draw connections among them)
- identify the adequate method to analyse a given network and address specific research questions; motivate the chosen method (Evaluate the methods: justify a stand or decision)
- perform statistical analysis using the software R: descriptive analysis, model estimation, interpretation and critical assessment of the results (Apply knowledge: use concepts in new situations)
Contents
Network definition and representation; network descriptives; network models for cross-sectional network data; models for longitudinal network data; models for the analysis of selection and influence processes; models for the diffusion of innovations and the spread of diseases. The application of these models is illustrated through examples and practical sessions analyzing network data from different disciplines using the software R.
Detailed program
- Network definition and representation
- Network data
- Adjacency matrix and graphs
- Examples
- Descriptives
- Density and degree distributions
- Centrality indices
- Network clustering
- Models for cross-sectional network data
- Unsuitability of standard regression models for network modeling
- Small-world and preferential attachment models
- Quadratic assignment procedure (QAP regression)
- Exponential random graph models (ERGMs)
- Models for longitudinal network data
- Models for network panel data: Stochastic actor-oriented models (SAOMs)
- Models for relational event data: Relational event models (REMs)
- Models for selection, influence and diffusion processes
- Definition of influence, selection and diffusion processes
- Stochastic actor-oriented models (SAOMs) for the co-evolution of networks and behaviors
- Models for the diffusion of innovations and the spread of diseases
The application of these models is illustrated through examples and practical sessions analyzing network data from different disciplines using the software R.
Prerequisites
None
Teaching methods
Face-to-face lectures and practicals. If computer labs are unavailable due to building renovation, the practicals will be in rooms with plug-ins and available also in synchronous remote delivery mode.
Assessment methods
An oral exam consisting of theoretical questions related to the lecture topics and the discussion of a report. The oral exam assesses the knowledge and understanding of the network concepts and methods taught in the course. The report is an analysis of network data chosen by the students. It assesses the ability to identify adequate methods to answer specific research questions, justify the method choice, and implement the analysis using the software R
Textbooks and Reading Materials
Slides and material on the e-learning page
Reference books:
- Kolaczyk, E. D. (2009). Statistical analysis of network data: model and methods. New York: Springer.
- Kolaczyk, E. D., & Csárdi, G. (2014). Statistical analysis of network data with R (Vol. 65). New York: Springer.
- Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social networks, 29(2), 173-191.
- Snijders, T. A., Van de Bunt, G. G., & Steglich, C. E. (2010). Introduction to stochastic actor-based models for network dynamics. Social networks, 32(1), 44-60.
- Butts, C. T. (2008). A relational event framework for social action. Sociological methodology, 38(1), 155-200.
- Valente, T. W. (2005). Network models and methods for studying the diffusion of innovations. Models and methods in social network analysis, 98-116.
Other references:
- Hennig, M. (2012). Studying social networks: A guide to empirical research. Campus Verlag.
- Lusher, D., Koskinen, J., & Robins, G. (Eds.). (2013). Exponential random graph models for social networks: Theory, methods, and applications. Cambridge University Press.
Semester
Second semester, second cycle (approximately from May to mid June)
Teaching language
English unless an explicit request from the students to hold the course in Italian
Sustainable Development Goals
Staff
-
Viviana Amati
