Введение в прикладные методы сетевого анализа

2025/2026

Учебный год

RUS

Обучение ведется на русском языке

5

Кредиты

Кто читает:

Департамент политики и управления

Статус:

Курс обязательный

Когда читается:

4-й курс, 3 модуль

Преподаватель

Мальцев Артем Михайлович

Программа дисциплины

Аннотация

Курс призван познакомить студентов с прикладными методами сетевого анализа, в настоящий момент широко применимыми в социальных науках. В рамках курса можно узнать о «сетевом» обосновании теории «шести рукопожатий», ответить на вопрос о том, почему семья Медичи была самой влиятельной во Флоренции, и решить еще много "загадок" социальной науки, которые могут быть объяснены с помощью инструментов прикладного сетевого анализа. Дисциплина познакомит студентов с такими понятиями, как сеть, сила связей, центральность, кластеры, социальный выбор и социальное влияние, а также научит работать с сетевыми данными и превращать практически любые данные в вид сетевых с помощью современных языков программирования. Курс направлен, в первую очередь, на то, чтобы студенты смогли понять логику и преимущества использования сетевых данных и методов в эмпирических исследованиях в социальных науках, а в дальнейшем смогли применить их в своих курсовых и выпускных квалификационных работах.

Цель освоения дисциплины

• Цель этого курса - дать студентам понимание основ сетевого анализа и принципов использования методологии сетевого анализа для прикладных исследований и задач.

Планируемые результаты обучения

• Определять диады, триады, давать определение топологии
• • Знает теоретическую основу и понимать принцип работы метода стохастической акторно-ориентированной модели (SAOM) • Умеет формулировать гипотезу для модели инферентного сетевого анализа, уметь выбрать наиболее релевантную модель, оценить её с помощью статистического пакета и интерпретировать результаты • Умеет работать с пакетом стохастической акторно-ориентированной модели (SAOM) в среде RStudio: Rsiena
• Формулировать ключевые понятия теории графов: структура сети, узлы, связи, социограмма
• Уметь интерпретировать ключевые концепты сетевого анализа.
• Знать основные методологические ограничения традиционных эконометрических методов при анализе данных с сетевой структурой.
• Уметь работать с основными пакетами для сетевого анализа в среде RStudio: igraph, network, btergm, xergm, Rsiena
• Знать теоретическую основу и понимать принцип работы современных методов инферентного сетевого анализа, в частности модели экспоненциальных случайных графов (ERGM)
• Уметь формулировать гипотезу для модели инферентного сетевого анализа, уметь выбрать наиболее релевантную модель, оценить её с помощью статистического пакета и интерпретировать результаты
• Знать теоретическую основу и понимать принцип работы современных методов инферентного сетевого анализа, модели ERGM, TERGM, SAOM, AMEN
• Формулировать ключевые понятия теории графов: структура сети, узлы, связи, социограмма. Уметь интерпретировать ключевые концепты сетевого анализа.
• Уметь работать с основными методами дескриптивного сетевого анализа: расчет сетевых центральностей, определение сетевых кластеров и сообществ.

Содержание учебной дисциплины

• Тема 1. Введение в работу с данными с сетевой структурой
• Тема 2. Дескриптивный сетевой анализ. Часть I.
• Тема 3. Дескриптивный сетевой анализ. Часть II.
• Тема 4. Случайные графы и топология сети
• Тема 4. Инферентный сетевой анализ: модель случайного экспоненциального графа (ERGM). Часть I.
• Тема 5. Инферентный сетевой анализ: модель случайного экспоненциального графа (ERGM). Часть II.
• Тема 6. Лонтгитюдный инферентный сетевой анализ
• Тема 8. Лонтгитюдный инферентный сетевой анализ: стохастические акторно-ориентированные модели (SAOM).
• Тема 9. Лонтгитюдный инферентный сетевой анализ: модели аддитивных и мультипликативных эффектов (AMEN)

Элементы контроля

• Practice work
• Научное эссе-практикум

Промежуточная аттестация

• 2025/2026 3rd module
  0.5 * Practice work + 0.5 * Научное эссе-практикум

Список литературы

Рекомендуемая основная литература

• Eric D. Kolaczyk, Gabor Csardi (2014) Statistical Analysis of Network Data with R. Springer New York Heidelberg Dordrecht London. https://link.springer.com/content/pdf/10.1007%2F978-1-4939-0983-4.pdf.
• Kolaczyk E. D., Csárdi G. Statistical analysis of network data with R. – New York : Springer, 2014. – 207 pp.
• Kolaczyk, E. D., & Csárdi, G. (2014). Statistical Analysis of Network Data with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=783200
• Luke, D. A. . V. (DE-588)130032344, (DE-627)488060184, (DE-576)297960504, aut. (2015). A user’s guide to network analysis in R Douglas A. Luke. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.454121474
• Social network analysis, Scott, J., 2017

Рекомендуемая дополнительная литература

• Analyzing social networks, Borgatti, S. P., 2018
• Big data in complex and social networks, , 2017
• Complex social networks, Vega-Redondo, F., 2007
• Social network analysis : a handbook, Scott, J., 2000
• Social network analysis, Knoke, D., 2008

Авторы

• Кручинская Екатерина Владиславовна
• Мальцев Артем Михайлович