Sociologie des réseaux sociaux, 7, EHESS/ENS/ENSAE

Sociologie des réseaux sociaux
Paola Tubaro
ENS/EHESS/ENSAE
2 février 2015

Introduction
Rappel
La dernière fois
Le capital social
Diﬀérentes interprétations (dimensions collective,
individuelle...)
Capital social et réseaux
Capital social et force des liens
Tester l’importance et l’interprétation du capital social sur le
marché du travail

Introduction
Plan
Programme pour aujourd’hui
Introduction
Rappel
Plan
Théorie : les eﬀets des réseaux sur les comportements (network theory)
Méthodes : modèles pour la network theory
Exercices : l’analyse des réseaux en R
Applications : les modèles de diﬀusion

Network theory et theory of networks
Deux angles, dans la terminologie de Borgatti & Halgin (2011):
Network theory = les conséquences des facteurs relationnels (par ex.
avoir beaucoup de liens, ou avoir une position centrale) sur les
résultats pour les individus et/ou les groupes
Theory of networks = les processus qui déterminent les structures
des réseaux (pourquoi les réseaux ont certaines propriétés)

Network theory
Les comportements des acteurs dépendent de:
leurs attributs
leur position dans le réseau, et les comportements et les autres
attributs de ceux auxquels ils sont connectés directement ou
indirectement
⇒ Quels mécanismes sociaux produisent se résultats?

Inﬂuence et sélection
Deux angles, dans la terminologie de Steglich et al. (2010):
Inﬂuence: Comment les réseaux changent les comportements
Je fume parce que mes amis fument
Sélection: Comment les comportements changent les réseaux
Comme je fume, je choisis des amis qui fument
Les deux (dynamiquement):
Comme je fume, je choisis des amis qui fument — et par là, je
fume encore plus
"Comportements" = performance, attitudes, etc.

Une précision: influence et diffusion
Influence = un processus micro
Comment je change mon comportement à la suite d’un contact /
une interaction avec autrui
Diffusion = un processus macro
Comment un comportement se généralise à une population –sous
l’effet d’une multiplicité de micro-influences
⇒ Il faut regarder les deux!

L’influence sociale
Pourquoi devrais-je changer mon comportement à la suite d’un contact
inter-personnel?
Contagion (comme une maladie)
Influence par les pairs —imitation, compétition, recherche de statut
etc.
Externalité – mes coûts et bénéfices changent en raison du
comportement des autres
Changement de normes sociales de référence

Le réseau comme véhicule d’influence
Contagion, influence par les pairs, externalités, et changement des
normes sociales peuvent passer par des structures réticulaires
Relations dyadiques et structures supra-dyadiques peuvent jouer un
rôle
Un ensemble d’influences peut changer le paysage social (par ex.
avec le changement de normes partagées) ⇒ l’influence débouche
ainsi sur la diffusion

La diffusion
Diffusion is a kind of social change, defined as the process by
which an innovation is communicated through certain channels
over time among the members of a social system. It is a
special type of communication, in that the messages are
concerned with new ideas
(Rogers, 1995)

Un exemple frappant
(Christakis & Fowler, 2007)

La diﬀusion de l’obésité
Données : un réseau social de 12,067 personnes enquêtées plusieurs
fois entre 1971 et 2003
Résultats:
On voit des clusters de personnes obèses, jusqu’à l distance 3,
à tout moment dans le temps
Les chances de devenir obèse augmentent si le conjoint / un
frère ou sœur / un ami devient aussi obèse sur une période
donnée
L’eﬀet est plus fort pour deux personnes du même genre
Pas de lien avec la localisation géographique, ni avec d’autres
comportement (par ex. fumer)

La médecine des réseaux
La préface de Barabasi (même numéro du NEJM, 2007):
Networks [. . . ] may have just as strong an impact on the
development of obesity as the otherwise strong genetic effects.
[. . . ] Network effects increasingly affect all aspects of biologic
and medical research

Les échos dans la presse
Find Yourself Packing It On? Blame Friends, New York Times, July
2007
Supersize Me—and All My Friends, Scientiﬁc American, July 2007
Can Your Friends Make You Fat? Wall Street Journal, July 2007
Obesity ‘Contagion’, Boston Globe, August 2007
....

Critiques
Le regroupement de personnes par niveau de IMC pourrait être un
effet de sélection, pas d’influence
Dans cette étude particulière, le réseau pourrait ne pas avoir été
objectivé correctement
Effets contextuels — contraintes et opportunités provenant de
l’environnement et affectant aussi bien ego que alter
...

Mais...
Les critiques admettent que les données montrent des réseaux
inter-connectés et une corrélation entre obésité et réseaux
De tels eﬀets ont été observés même avec d’autres bases de données
et d’autres contrôles
Des résultats semblables ont été trouvés pour d’autres
comportements (tabagisme, drogues etc) auprès de populations
variées
Il est désormais acquis que l’obésité peut être appréhendée dans une
perspective de santé publique exploitant les propriétés des réseaux

Vous savez maintenant :
Les structures de réseaux affectent les comportements
Les effets de réseau se produisent aux niveaux micro et macro
Ces effets peuvent être non linéaires et peu intuitifs

Modèles statistiques
La régression :
yi = α + x1i β1 + x2i β2 + i
où:
yi = comportement d’intérêt
x1i = attributs individuels
x2i = eﬀets de réseau
i = terme d’erreur
α, β1 and β2 = paramètres à estimer
le souscrit i dénote une observation individuelle

Spécifier les effets de réseau x2iβ2 (1)
Si l’unité d’analyse i est un individu, et les données proviennent d’un
échantillon d’enquête, alors les effets de réseau peuvent être des
propriétés de son réseau personnel :
taille
densité
centralisation
coefficient de clustering
indicateurs de composition
...

Exemple: image du corps et eﬀets de réseau
ANAMIA: comment la structure des réseaux personnels aﬀecte
l’image du corps chez des personnes ayant des troubles alimentaires
Un travail en cours —avec A.A. Casilli, F. Pallotti, T.W. Valente
yi = indicateurs des perceptions et attitudes en termes d’image du
corps
x1i = attributs individuel (âge, IMC, pays...);
x2i = taille, densité et composition des réseaux personnels

Exemple: image du corps et eﬀets de réseau (cont.)

Spécifier les effets de réseau x2iβ2 (2)
Surtout avec les réseaux complets, il peut être utile de prendre la
dyade comme principale unité d’analyse
C’est le niveau minimal auquel des effets de réseaux peuvent se
manifester
Exemple : étude de la performance des hôpitaux – avec F. Pallotti
et A. Lomi
Nous regardons la différence de performance entre hôpitaux : se
réduit-elle (les hôpitaux deviennent-ils plus semblables en terme de
performance) lorsque les hôpitaux sont connectés?

Un aperçu des données
Les données d’origine : des attributs individuels des hôpitaux

Un aperçu des données (cont.)
Créer des dyades

Un aperçu des données (cont.)
Dyades et liens dans le réseau

Est-ce que des organisations connectées ont des différences
de performance plus petites que des organisations
non-connectées ?
“Traitement” (Connecté = 1) et “contrôle" (Connecté = 0) sont significativement différents, dans le sens anticipé.
Les dyades connectées sont associées à des différentiels de performance plus petits

Réseau de coopération entre hôpitaux dans la région du Lazio, Italie.
Taille des nœuds = degré; rouge = performance élevée, vert = performance faible

Quels modèles de régression?
Les données relationnelles ne respectent pas les postulats
d’indépendance des modèles statistiques standard
Par exemple chaque ’sender’ apparaît dans plusieurs dyades
Les dyades partageant les même ’sender’ ou ’receiver’ vont être
dépendantes
Les estimations des coeﬃcients seront consistantes, mais les erreurs
standard pourraient être mal estimées
Il faut regrouper (cluster) les erreurs standard au niveau du sender
et/ou receiver et appliquer la correction de White pour
l’hétéroskédasticité (White, 1980; Reagans & McEvily, 2003;
Owen-Smith & Powell, 2004; Lindgren, 2010).

L’équation
yij = α + βRij + γXij + ηi + ij
Network Controls Sender
variables ﬁxed eﬀects

Les modèles de régression peuvent inclure les eﬀets des structures
de réseaux sur les comportements
Mais il faut contrôler la dépendance des observations

Exercices : l’analyse des réseaux en R
L’analyse des réseaux en R

Revenons sur l’influence et la diffusion
Revenir aux facteurs qui expliquent l’influence sociale:
Contagion (comme une maladie)
Influence par les pairs —imitation, compétition, recherche de statut
etc.
Externalité – mes coûts et bénéfices changent en raison du
comportement des autres
Changement de normes sociales de référence

Contagion
Un contact peut suﬃre à passer ’la maladie’
La diﬀusion se fait par la connectivité — les autres propriétés du
réseau jouent un rôle mineur
Présuppose une attitude quelque peu passive —ego adopte le
comportement d’alter (avec une probabilité)

Pas toujours adapté...
La contagion est un cas spécial de diffusion
Parfois, les délais d’adoption sont différenciés :
Early adopters, late adopters, laggards
Les trajectoires de diffusion ne sont pas toujours bien expliquées par
le modèle de la contagion

Exemple: diﬀusion d’électroménagers
(Hall, 2004)

Exemple: adoption de maïs de semence hybride
(Valente, 1995)

Une courbe en S
La diﬀusion se donne souvent à voir en forme de S

Où commence le changement?
Le modèle classique de Bass (1969):
Nt = Nt−1 + p(1 − Nt−1) + qNt−1(1 − Nt−1)
adopters adopters coeﬃcient of coeﬃcient of
at time t at t - 1 innovation imitation
x non-adopters x non-adopters
at t - 1 at t - 1
x adopters
at t - 1

Le modèle de Bass
Prédit des courbes en S comme celles qui sont observées dans les
études empiriques
Tient compte de l’innovation (exogène) tout autant que de
l’inﬂuence sociale sous la forme d’imitation (endogène)
Mais néglige la structure sociale —pas de réseau ici!
Les dynamiques d’innovation et imitation restent obscures
⇒ Ce qui compte est l’adoption dans le réseau personnel de l’acteur, pas
le niveau global d’adoption dans le système (Valente, 1995)

Les modèles de seuil
Le concept d’Exposure de Tom Valente:
Ce qui compte est l’adoption dans
le réseau personnel de ego, pas le
niveau global d’adoption dans le
système
D’abord, identiﬁez le réseau
ego-centré de l’acteur
Ensuite, déﬁnissez exposure:
N adopters in ego − net
size of ego − net
(Valente, 1995)

Exposure pondérée
Pondération par les liens
indirects
Pondération par la force des
liens
Liens faibles :
circulation de
l’information
Liens forts : soutien
pour un changement
de comportements

Un modèle de seuil
Le seuil d’adoption est la exposure
au moment de l’adoption
Si le seuil est faible, l’acteur est
un early adopter
S’il est élevé, l’acteur est un late
adopter / laggard

Plus de détails sur le modèle de seuil
La rapidité de la diffusion dépend de la structure du réseau et des
préférences individuelles / ouverture à l’influence
Influence au niveau micro, diffusion au niveau macro
Notons que le modèle tient compte de l’influence de ceux qui
adoptent, et de ceux qui n’adoptent pas
Les réseaux apparaissent clairement comme des véhicules de
changement
(Valente, 1996)

Exemple: adoption de méthodes de contraception en Corée
(Valente, 2010)

Le processus de diﬀusion, selon Valente

Bridges et leaders d’opinion
Souvent, les acteurs périphériques sont les premiers à adopter
bridges —acteurs plus exposés à des influences externes,
multiples
moins assujettis à des pressions au conformisme
Lorsque l’innovation arrive aux "leaders d’opinion", elle a la chance
de se diffuser rapidement au reste du réseau
Plus l’innovation s’est diffusée, plus le taux d’adoption baisse,
jusqu’à ce que le processus se stabilise

Quelle mesure de centralité affecte la diffusion?
Banerjee et al. (2013):
75 villages au Karnataka, pas touchés
par la microfinance au début
Une banque offre de la microfinance
dans 43 de ces villages
Les chercheurs enquêtent avant,
pendant et après
Ils observent les réseaux sociaux et
l’adoption de la microfinance
Borrow

pendant et après
Temple

pendant et après
Advice

pendant et après
Medic

La centralité eigenvector
Résultat : les villages où les
premiers contactés ont centralité
eigenvector élevée, voient une plus
grande diffusion de la microfinance
La centralité de degré compte peu
Introduisent une troisième notion,
Diffusion centrality

Mieux connaître l’inﬂuence: séparer information et
approbation
Banerjee et al. (2013)

Structure de réseau et diﬀusion : densité
Valente : la densité facilite la diﬀusion, jusqu’à un certain point:

Clustering et diffusion
Centola (2010) : La diffusion est plus rapide dans les réseaux avec
clustering élevé (par rapport à réseaux aléatoires)
Effets d’auto-renforcement: un contact avec un acteur ne suffit pas,
il faut plusieurs contacts avec de nombreuses sources
Il y a généralement plus de contact dans des réseaux à haut
clustering
Cercles noirs pleins = réseau à haut clustering, triangles vides = réseau aléatoire

Centralisation et diﬀusion
Valente : la centralisation facilite la diﬀusion, mais :
Surtout pour des changements à risque faible
Pas pour les innovations à haut risque / faible potentiel
(Valente, 1995)

Les réseaux peuvent-ils être utilisés pour prôner des
changements de comportements ?
Identiﬁer les leaders d’opinion leaders pour qu’ils agissent en agents
du changement
Exploiter la structure en sous-groupes
Apparier leaders et groupes
Rebrancher les réseaux :
plus cohésifs
plus centralisés
plus denses...
Identiﬁer les adopteurs à faible seuil...
...
(Valente, 2010)

Les structures de réseaux affectent les comportements
Les effets de réseau se produisent aux niveaux micro et macro
Ces effets peuvent être non linéaires et peu intuitifs
Network theory peut servir de support à des politiques publiques
visant au changement des comportements

Bibliography I
Banerjee, A., Chandrasekhar, A., Duflo, E., & Jackson, M. (2013). The
diffusion of microfinance. Science, 341, 1236498.
Borgatti, S. & Halgin, D. (2011). On network theory. Organization
Science, 22(5), 1168–1181.
Centola, D. (2010). The spread of behavior in an online social network
experiment. Science, 329, 1194.
Christakis, N. & Fowler, J. (2007). The spread of obesity in a large social
network over 32 years. NEJM, 357, 370–379.
Hall, B. (2004). Innovation and diffusion. In J. Fagerberg, D. Mowery, &
R. Nelson (Eds.), Oxford Handbook of Innovation. Oxford University
Press.
Lindgren, K. (2010). Dyadic regression in the presence of
heteroscedasticity - an assessment of alternative approaches. Social
Networks, 32(4), 279–289.

Bibliography II
Owen-Smith, J. & Powell, W. (2004). Knowledge networks as channels
and conduits: The effects of spillovers in the boston biotechnology
community. Organization Science, 15(1), 5–21.
Reagans, R. & McEvily, B. (2003). Network structure and knowledge
transfer: The effects of cohesion and range. Administrative Science
Quarterly, 28, 240–267.
Rogers, E. (1995). Diffusion of Innovation, 4th ed. Free Press.
Steglich, C., Snijders, T., & Pearson, M. (2010). Dynamic networks and
behavior: Separating selection from influence. Sociological
Methodology, 40, 329–392.
Valente, T. (1995). Network Models of the Diffusion of Innovations.
Hampton Press.
Valente, T. (1996). Social network thresholds in the diffusion of
innovations. Social Networks, 18, 69–89.
Valente, T. (2010). Social Networks and Health. Oxford University Press.

Bibliography III
White, H. (1980). A heteroskedasticity-consistent covariance matrix
estimator and a direct test for heteroskedasticity. Econometrica, 48(4),
817–883.

Prochain RV: lundi 9 février, 9h - 12h, ici

Merci!
Paola Tubaro, paola.tubaro@ens.fr

Sociologie des réseaux sociaux, 7, EHESS/ENS/ENSAE

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (16)

Similaire à Sociologie des réseaux sociaux, 7, EHESS/ENS/ENSAE

Similaire à Sociologie des réseaux sociaux, 7, EHESS/ENS/ENSAE (20)

Dernier

Dernier (20)

Sociologie des réseaux sociaux, 7, EHESS/ENS/ENSAE