QAP测量关系之间关系一种方法.docVIP

QAP测量关系之间关系一种方法 　　摘　要：常规统计方法要求变量之间独立，而关系数据恰恰违背这个假设。如何测量关系之间的关系?QAP是可用的一种方法。本文介绍了QAP的原理，并通过UCINET用‘实际例子展示QAP相关和QAP回归的应用。QAP不但可以测量两种关系数据之间的回归，还可以测量相关，测量“属性数据”和“关系数据”之间的关系，该方法因而独具特色。 　　关键词：QAP关系数据　社会网络分析 　　 　　在常规的统计分析如多元回归分析中，前提条件之一是要求自变量之间相互独立，否则会出现“共线性”，它会引起一些问题。例如，在完全共线性的条件下，将得不到参数的估计量；在近似共线性情况下OLS估计量非有效。多重共线性使参数估计值的方差和标准差增大，变量的显著性检验失去意义；模型的预测功能失效。在研究“亲属关系”是否提供借款，即“亲属关系”和“资金关系”之间是否有关系的时候，假设通过常规统计分析发现二者之间确实有关。实际上，此时的相关是虚假的，一方面可能因为村民之间在地理位置上的相近；另一方面，这种研究本身就具有重大缺陷：“亲属关系”和“资金关系”本身就有相关性。如何检验这种虚假相关?对于这个问题，学者们利用一种随机化检验(randomization test)方法来检验，QAP即属于此。QAP是一种以重新抽样为基础的方法，已经在社会网络研究中得到了广泛的应用，其研究对象都是“关系”数据。 　　 　　一、QAP的含义 　　 　　社会关系是社会学研究的核心内容之一。如何研究“关系”?视角多种多样。从量化角度讲，由于“关系”数据本身就是关于“联系”的数据，因而直接违背避免“共线性”的原则。这意味着，很多常规的统计技术(如OLS)是不能简单地应用于对关系数据的统计分析之中的，特别是在研究“关系”之间的关系，如“亲属”是否更容易提供借款，即“亲属关系”与“资金关系”是否有关的时候，就需要特定的方法，QAP就是其方法之一。 　　QAP(Quadratic Assignment Procedure，二次指派程序)是一种对两个(或多个)方阵中对应的各个元素值进行比较的方法，它通过比较各个方阵对应的格值，给出两个矩阵之间的相关系数，同时对系数进行非参数检验，它以对矩阵数据的置换为基础。其原理如下(参见Everett，2002)。 　　假设用两个矩阵分别表示5个人(A、B、C、D、E)之间的“朋友关系”和“建议关系”(假设这两种关系都是对称的)，如表1所示(1代表朋友，0表示不是朋友)。每两个人之间的关系都对应着关系矩阵中的格值，矩阵中的各行和各列对应着5个人。一般情况下，矩阵的格值只有两个：1和0。从矩阵(1)中可见，A和B是朋友，B和D不是朋友，C和E是朋友，其他情况可从中分析出来；从矩阵(2)中可见，A和B之间无建议关系，B和D相互提供建议，其他情况也可从图1中分析出来。也可以用矩阵式(参见表1)分别表示这两种关系的具体内涵。 　　 　　上述两个矩阵分别表达了5个人之间的两类关系。就上述两个矩阵来说，二者之间在多大程度上相似，或者说相关性如何?对这个问题来说，不能用一些常规的统计程序来进行统计推断，因为观察项之间不独立，否则会计算出错误的标准差。此时可利用QAP法，它要求进行如下所示的随机化操作步骤。 　　具体地说，为了比较两个矩阵之间的相关性，首先把每个矩阵中的所有取值看成是一个长向量，每个向量包含n(n－1)个数字(对角线上的数字忽略不计)。例如，就“朋友关系”矩阵来说，该长向量是1，0，0，0，1，1，0，0，0，1，1，1，0，0，1，1，0，0，1，1，即把“朋友关系矩阵”的第二、第三、第四和第五行的值(对角线上的值除外)分别依次并置在第一行后面得到的向量，同理根据“建议关系矩阵”得到第二个向量。然后计算这两个向量之间的相关系数，得到的值为-0.8165，这表明两者之间是负相关的。也就是说，越是“朋友”，越不提供“建议”。 　　问题是，这个实际的相关系数值是否具有统计显著性?实际上，在这种情况下，我们不能利用标准的统计方式来推断，因为其前提性假设被违背。此时可以利用一种重排法(permutation approach)。从本质上讲，我们要追问的问题是，相对于在各个关系的取值是随机的情况下计算得到的相关系数来说，观察到的相关系数是大还是小? 　　我们可以随机地对矩阵的标签(A、B、C、D、E)进行置换，然后再计算相关系数。就上述“朋友关系”和“建议关系”例子来说，可以对其中的一个矩阵(如建议关系矩阵)中的“标签”进行置换。对于包含5个元素的矩阵来说，其最多有5!=120种置换方式(Krackhardt，1987：176)，针对每种置换重新计算相关系数，得到的分布如表2所示。 　　 　　由表2可知，在