COMMunication
RESearch.NET

User Tools

Site Tools

You are here: index » krackhardt_datasets
Trace:
krackhardt_datasets

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
krackhardt_datasets [2019/12/04 08:25] – [correlation matrix out of the combined matrix (friend and advice)] hkimscilkrackhardt_datasets [2019/12/13 14:11] (current) – hkimscil
Line 65: Line 65:
  
 <code> <code>
-krack_friend <- delete.edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])+krack_friend <- delete_edges(krack_full, E(krack_full)[E(krack_full)$friendship_tie==0])
 summary(krack_friend) summary(krack_friend)
 krack_friend[] krack_friend[]
  
-krack_advice <- delete.edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])+krack_advice <- delete_edges(krack_full, E(krack_full)[E(krack_full)$advice_tie==0])
 summary(krack_advice) summary(krack_advice)
 krack_advice[] krack_advice[]
    
-krack_reports_to <- delete.edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])+krack_reports_to <- delete_edges(krack_full, E(krack_full)[E(krack_full)$reports_to_tie==0])
 summary(krack_reports_to) summary(krack_reports_to)
 krack_reports_to[] krack_reports_to[]
Line 213: Line 213:
  
 <code> <code>
-# Next, we'll use the same procedure to add social-interaction+# Next, we'll use the same procedure to add advice
 # information. # information.
 krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie') krack_advice_matrix_row_to_col <- get.adjacency(krack_advice, attr='advice_tie')
Line 226: Line 226:
 krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row) krack_advice_matrix <- rbind(krack_advice_matrix_row_to_col, krack_advice_matrix_col_to_row)
 krack_advice_matrix krack_advice_matrix
- +</code> 
 + 
 + 
 +<code> 
 +krack_friend_matrix_row_to_col <- get.adjacency(krack_friend, attr='friendship_tie') 
 +krack_friend_matrix_row_to_col 
 + 
 +# To operate on a binary graph, simply leave off the "attr"  
 +# parameter: 
 +krack_friend_matrix_row_to_col_bin <- get.adjacency(krack_friend) 
 +krack_friend_matrix_row_to_col_bin 
 + 
 +# For this lab, we'll use the valued graph. The next step is to  
 +# concatenate it with its transpose in order to capture both  
 +# incoming and outgoing task interactions. 
 +krack_friend_matrix_col_to_row <- t(as.matrix(krack_friend_matrix_row_to_col)) 
 +krack_friend_matrix_col_to_row 
 + 
 +krack_friend_matrix <- rbind(krack_friend_matrix_row_to_col, krack_friend_matrix_col_to_row) 
 +krack_friend_matrix 
 +</code> 
 + 
 + 
 +<code>  
 +# ra (ar)
 krack_reports_to_advice_matrix <- rbind(krack_reports_to_matrix, krack_advice_matrix) krack_reports_to_advice_matrix <- rbind(krack_reports_to_matrix, krack_advice_matrix)
 krack_reports_to_advice_matrix krack_reports_to_advice_matrix
 +
 +# fa
 +krack_friend_advice_matrix <- rbind(krack_friend_matrix, krack_advice_matrix)
 +krack_friend_advice_matrix
 +
 +# fr
 +krack_friend_reports_to_matrix <- rbind(krack_friend_matrix, krack_reprots_to_matrix)
 +krack_friend_reports_to_matrix
 +
 +
 +# far
 +krack_friend_advice_reports_to_matrix <- rbind(krack_friend_advice_matrix, krack_reports_to_matrix)
 +krack_friend_advice_reports_to_matrix
 </code> </code>
 +
  
 <code> <code>
Line 238: Line 276:
 krack_reports_to_advice_cors <- cor(as.matrix(krack_reports_to_advice_matrix)) krack_reports_to_advice_cors <- cor(as.matrix(krack_reports_to_advice_matrix))
 krack_reports_to_advice_cors krack_reports_to_advice_cors
 +
 +krack_friend_advice_cors <- cor(as.matrix(krack_friend_advice_matrix))
 +krack_friend_advice_cors
 +
 +krack_friend_reports_to_cors <- cor(as.matrix(krack_friend_reports_to_matrix))
 +krack_friend_reports_to_cors
 +
 +krack_friend_advice_reports_to_cors <- cor(as.matrix(krack_friend_advice_reports_to_matrix))
 +krack_friend_advice_reports_to_cors
 +
 +
 </code> </code>
  
Line 246: Line 295:
 # or equal to 0; thus, highly dissimilar (i.e., negatively  # or equal to 0; thus, highly dissimilar (i.e., negatively 
 # correlated) actors have higher values. # correlated) actors have higher values.
-dissimilarity <- 1 - krack_reports_to_advice_cors +dissimilarity_ra <- 1 - krack_reports_to_advice_cors 
-krack_reports_to_dist <- as.dist(dissimilarity) +krack_reports_to_advice_dist <- as.dist(dissimilarity_ra) 
-krack_reports_to_dist+krack_reports_to_advice_dist
    
 +dissimilarity_fa <- 1 - krack_friend_advice_cors
 +krack_friend_advice_dist <- as.dist(dissimilarity_fa)
 +krack_friend_advice_dist
 +
 +dissimilarity_rf <- 1 - krack_reports_to_friend_cors
 +krack_reports_to_friend_dist <- as.dist(dissimilarity_rf)
 +krack_reports_to_friend_dist
 +
 +dissimilarity_far <- 1 - krack_friend_advice_reports_to_cors
 +krack_friend_advice_reports_to_dist <- as.dist(dissimilarity_far)
 +krack_friend_advice_reports_to_dist
 +
 +
 +
 # Note that it is also possible to use dist() directly on the  # Note that it is also possible to use dist() directly on the 
 # matrix. However, since cor() looks at associations between  # matrix. However, since cor() looks at associations between 
Line 1180: Line 1243:
 21  0.18  0.19  0.09 0.25 -0.04  0.29  0.43 0.21  0.24  0.15  0.16  0.07  0.04 0.18 -0.05 0.21 -0.04 0.17  0.05  0.19  1.00 21  0.18  0.19  0.09 0.25 -0.04  0.29  0.43 0.21  0.24  0.15  0.16  0.07  0.04 0.18 -0.05 0.21 -0.04 0.17  0.05  0.19  1.00
 >  > 
- 
 </code> </code>
  
 +
 +===== Clustering with NetCluster =====
 <code> <code>
 # To use correlation values in hierarchical NetCluster, they must  # To use correlation values in hierarchical NetCluster, they must 
Line 1189: Line 1253:
 # or equal to 0; thus, highly dissimilar (i.e., negatively  # or equal to 0; thus, highly dissimilar (i.e., negatively 
 # correlated) actors have higher values. # correlated) actors have higher values.
-dissimilarity <- 1 - krack_reports_to_advice_cors +dissimilarity <- 1 - krack_friend_advice_cors 
-krack_reports_to_dist <- as.dist(dissimilarity) +krack_friend_advice_dist <- as.dist(dissimilarity) 
-krack_reports_to_dist +krack_friend_advice_dist 
- +round(krack_friend_advice_dist, 2) 
 +</code> 
 + 
 +<code> 
 +> dissimilarity <- 1 - krack_friend_advice_cors 
 +> krack_friend_advice_dist <- as.dist(dissimilarity) 
 +> krack_friend_advice_dist 
 +           1         2         3         4         5         6         7         8         9        10        11        12        13        14        15        16 
 +2  0.6979613                                                                                                                                                       
 +3  0.8575249 0.9962906                                                                                                                                             
 +4  0.7363116 0.9270011 0.6283369                                                                                                                                   
 +5  0.8780978 1.0673967 0.3531712 0.7059318                                                                                                                         
 +6  0.7795668 0.7501665 1.0674575 0.8827631 0.9687869                                                                                                               
 +7  0.8449566 0.7162230 0.7017487 0.7191440 0.9152088 0.7750394                                                                                                     
 +8  0.6278958 0.6088479 0.5888968 0.6645331 0.8072928 0.7750394 0.7000000                                                                                           
 +9  0.8219822 0.9080535 0.3936414 0.5843941 0.4553035 1.0129148 0.6200874 0.6200874                                                                                 
 +10 0.7363116 1.1280473 0.8924630 0.7668898 0.8574762 0.8827631 0.8283658 0.8829767 0.8610256                                                                       
 +11 0.7777078 0.8190932 0.9794953 0.9585057 0.8983957 0.6192001 1.0231249 0.8612508 1.0019523 0.8069614                                                             
 +12 0.8301584 0.4678936 0.9264149 0.9287819 0.9577800 0.5892800 0.9391419 0.5131355 0.8612755 1.1566799 0.7888998                                                   
 +13 0.8612123 1.0175629 0.6601910 0.8497716 0.7376356 1.0739934 0.8334598 0.7605984 0.7460383 0.7815598 0.8724283 1.0950186                                         
 +14 0.6603169 0.6359272 0.7498106 0.9857564 0.8451932 0.5892800 0.6957097 0.6348516 0.6763096 0.9287819 0.6200197 0.6984127 0.8669740                               
 +15 1.0353837 1.1750350 0.4113190 0.8148328 0.4652129 1.2382176 0.9087129 0.8554621 0.6686027 0.7151275 1.0070367 1.1111111 0.6389294 1.0000000                     
 +16 0.6927451 0.7213478 0.8003192 0.6779039 0.8260258 0.7969077 0.8807289 0.3669458 0.8001599 0.8582777 0.7072142 0.6984887 0.6619397 0.7654912 0.9246222           
 +17 0.8264421 0.8723774 1.0621885 1.0011802 1.0944501 0.6910049 1.1512723 0.7806552 1.0753499 0.9516135 0.6536831 0.6409607 0.8598644 0.8066711 1.0138092 0.8334547 
 +18 0.8071821 0.8034186 0.7891129 0.8834539 0.8299012 0.8491973 0.9241684 0.7118399 0.8457098 0.6846748 0.9772033 0.9030858 0.7829389 0.8477062 0.7992491 0.8205011 
 +19 1.0024553 1.1396764 0.6955481 0.8288879 0.7125260 1.0334876 1.0158362 0.8495566 0.7158944 0.7251088 0.7637953 1.1301073 0.4799463 0.7831546 0.6675037 0.7079633 
 +20 0.7599978 0.8471748 0.4444666 0.6344915 0.5639677 0.9162762 0.5471372 0.6047743 0.4654338 0.6884506 0.8838517 0.8947696 0.6306140 0.7143745 0.6692757 0.7053813 
 +21 0.8176768 0.8114184 0.9095172 0.7456235 1.0370823 0.7065985 0.5723820 0.7861910 0.7608265 0.8457060 0.8393101 0.9302929 0.9610540 0.8187614 1.0487950 0.7940285 
 +          17        18        19        20 
 +2                                          
 +3                                          
 +4                                          
 +5                                          
 +6                                          
 +7                                          
 +8                                          
 +9                                          
 +10                                         
 +11                                         
 +12                                         
 +13                                         
 +14                                         
 +15                                         
 +16                                         
 +17                                         
 +18 0.9873817                               
 +19 0.8047610 0.8877177                     
 +20 1.0685056 0.7908302 0.8154942           
 +21 1.0404292 0.8257051 0.9534437 0.8107489 
 +> round(krack_friend_advice_dist, 2) 
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20 
 +2  0.70                                                                                                
 +3  0.86 1.00                                                                                           
 +4  0.74 0.93 0.63                                                                                      
 +5  0.88 1.07 0.35 0.71                                                                                 
 +6  0.78 0.75 1.07 0.88 0.97                                                                            
 +7  0.84 0.72 0.70 0.72 0.92 0.78                                                                       
 +8  0.63 0.61 0.59 0.66 0.81 0.78 0.70                                                                  
 +9  0.82 0.91 0.39 0.58 0.46 1.01 0.62 0.62                                                             
 +10 0.74 1.13 0.89 0.77 0.86 0.88 0.83 0.88 0.86                                                        
 +11 0.78 0.82 0.98 0.96 0.90 0.62 1.02 0.86 1.00 0.81                                                   
 +12 0.83 0.47 0.93 0.93 0.96 0.59 0.94 0.51 0.86 1.16 0.79                                              
 +13 0.86 1.02 0.66 0.85 0.74 1.07 0.83 0.76 0.75 0.78 0.87 1.10                                         
 +14 0.66 0.64 0.75 0.99 0.85 0.59 0.70 0.63 0.68 0.93 0.62 0.70 0.87                                    
 +15 1.04 1.18 0.41 0.81 0.47 1.24 0.91 0.86 0.67 0.72 1.01 1.11 0.64 1.00                               
 +16 0.69 0.72 0.80 0.68 0.83 0.80 0.88 0.37 0.80 0.86 0.71 0.70 0.66 0.77 0.92                          
 +17 0.83 0.87 1.06 1.00 1.09 0.69 1.15 0.78 1.08 0.95 0.65 0.64 0.86 0.81 1.01 0.83                     
 +18 0.81 0.80 0.79 0.88 0.83 0.85 0.92 0.71 0.85 0.68 0.98 0.90 0.78 0.85 0.80 0.82 0.99                
 +19 1.00 1.14 0.70 0.83 0.71 1.03 1.02 0.85 0.72 0.73 0.76 1.13 0.48 0.78 0.67 0.71 0.80 0.89           
 +20 0.76 0.85 0.44 0.63 0.56 0.92 0.55 0.60 0.47 0.69 0.88 0.89 0.63 0.71 0.67 0.71 1.07 0.79 0.82      
 +21 0.82 0.81 0.91 0.75 1.04 0.71 0.57 0.79 0.76 0.85 0.84 0.93 0.96 0.82 1.05 0.79 1.04 0.83 0.95 0.81 
 +>  
 +>  
 +</code> 
 + 
 + 
 +<code>
 # Note that it is also possible to use dist() directly on the  # Note that it is also possible to use dist() directly on the 
 # matrix. However, since cor() looks at associations between  # matrix. However, since cor() looks at associations between 
Line 1200: Line 1340:
 # A variety of distance metrics are available; Euclidean  # A variety of distance metrics are available; Euclidean 
 # is the default. # is the default.
-#m182_task_social_dist <- dist(t(m182_task_social_matrix)) +krack_friend_advice_dist2 <- dist(t(krack_friend_advice_matrix)) 
-#m182_task_social_dist +krack_friend_advice_dist2 
- +</code> 
 + 
 +<code> 
 +> krack_friend_advice_dist2 <- dist(t(as.matrix(krack_friend_advice_matrix))) 
 +> krack_friend_advice_dist2 
 +          1        2        3        4        5        6        7        8        9       10       11       12       13       14       15       16       17       18 
 +2  5.291503                                                                                                                                                          
 +3  5.744563 6.244998                                                                                                                                                 
 +4  5.385165 6.082763 4.898979                                                                                                                                        
 +5  5.916080 6.557439 3.741657 5.291503                                                                                                                               
 +6  5.385165 5.385165 6.000000 5.656854 6.000000                                                                                                                      
 +7  5.656854 5.291503 5.000000 5.196152 5.916080 5.000000                                                                                                             
 +8  4.898979 4.898979 4.582576 5.000000 5.567764 5.000000 4.898979                                                                                                    
 +9  5.567764 5.916080 3.741657 4.690416 4.242641 5.656854 4.582576 4.582576                                                                                           
 +10 5.385165 6.708204 5.830952 5.477226 5.830952 5.656854 5.567764 5.744563 5.656854                                                                                  
 +11 5.567764 5.744563 6.164414 6.164414 6.000000 4.898979 6.244998 5.744563 6.164414 5.656854                                                                         
 +12 5.567764 4.358899 5.656854 5.830952 6.000000 4.242641 5.567764 4.123106 5.291503 6.480741 5.477226                                                                
 +13 5.567764 6.082763 4.690416 5.477226 5.291503 5.291503 5.000000 4.795832 4.690416 5.291503 5.656854 5.477226                                                       
 +14 5.000000 5.000000 5.099020 6.000000 5.656854 4.242641 4.795832 4.582576 4.690416 5.830952 4.898979 4.690416 4.898979                                              
 +15 6.480741 6.928203 4.123106 5.744563 4.358899 6.855655 6.000000 5.830952 5.196152 5.385165 6.403124 6.557439 5.196152 6.244998                                     
 +16 5.099020 5.291503 5.196152 5.000000 5.567764 4.795832 5.291503 3.464102 5.000000 5.567764 5.196152 4.582576 4.123106 4.795832 6.000000                            
 +17 5.830952 6.000000 6.557439 6.403124 6.708204 5.385165 6.782330 5.656854 6.557439 6.244998 5.196152 5.196152 5.916080 5.744563 6.480741 5.830952                   
 +18 5.744563 5.744563 5.656854 6.000000 5.830952 5.830952 6.082763 5.385165 5.830952 5.291503 6.324555 6.000000 5.656854 5.830952 5.744563 5.744563 6.403124          
 +19 6.244998 6.708204 5.099020 5.656854 5.291503 6.000000 6.082763 5.567764 5.099020 5.291503 5.477226 6.324555 4.242641 5.291503 5.196152 5.000000 5.744563 6.000000 
 +20 5.385165 5.744563 4.000000 4.898979 4.690416 5.477226 4.358899 4.582576 4.000000 5.099020 5.830952 5.477226 4.472136 4.898979 5.196152 4.795832 6.557439 5.656854 
 +21 5.744563 5.744563 6.000000 5.477226 6.480741 5.291503 4.795832 5.567764 5.477226 5.830952 5.830952 6.000000 6.000000 5.656854 6.557439 5.567764 6.557439 5.830952 
 +         19       20 
 +2                    
 +3                    
 +4                    
 +5                    
 +6                    
 +7                    
 +8                    
 +9                    
 +10                   
 +11                   
 +12                   
 +13                   
 +14                   
 +15                   
 +16                   
 +17                   
 +18                   
 +19                   
 +20 5.477226          
 +21 6.164414 5.656854 
 +> round(krack_friend_advice_dist2,2) 
 +      1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16   17   18   19   20 
 +2  5.29                                                                                                
 +3  5.74 6.24                                                                                           
 +4  5.39 6.08 4.90                                                                                      
 +5  5.92 6.56 3.74 5.29                                                                                 
 +6  5.39 5.39 6.00 5.66 6.00                                                                            
 +7  5.66 5.29 5.00 5.20 5.92 5.00                                                                       
 +8  4.90 4.90 4.58 5.00 5.57 5.00 4.90                                                                  
 +9  5.57 5.92 3.74 4.69 4.24 5.66 4.58 4.58                                                             
 +10 5.39 6.71 5.83 5.48 5.83 5.66 5.57 5.74 5.66                                                        
 +11 5.57 5.74 6.16 6.16 6.00 4.90 6.24 5.74 6.16 5.66                                                   
 +12 5.57 4.36 5.66 5.83 6.00 4.24 5.57 4.12 5.29 6.48 5.48                                              
 +13 5.57 6.08 4.69 5.48 5.29 5.29 5.00 4.80 4.69 5.29 5.66 5.48                                         
 +14 5.00 5.00 5.10 6.00 5.66 4.24 4.80 4.58 4.69 5.83 4.90 4.69 4.90                                    
 +15 6.48 6.93 4.12 5.74 4.36 6.86 6.00 5.83 5.20 5.39 6.40 6.56 5.20 6.24                               
 +16 5.10 5.29 5.20 5.00 5.57 4.80 5.29 3.46 5.00 5.57 5.20 4.58 4.12 4.80 6.00                          
 +17 5.83 6.00 6.56 6.40 6.71 5.39 6.78 5.66 6.56 6.24 5.20 5.20 5.92 5.74 6.48 5.83                     
 +18 5.74 5.74 5.66 6.00 5.83 5.83 6.08 5.39 5.83 5.29 6.32 6.00 5.66 5.83 5.74 5.74 6.40                
 +19 6.24 6.71 5.10 5.66 5.29 6.00 6.08 5.57 5.10 5.29 5.48 6.32 4.24 5.29 5.20 5.00 5.74 6.00           
 +20 5.39 5.74 4.00 4.90 4.69 5.48 4.36 4.58 4.00 5.10 5.83 5.48 4.47 4.90 5.20 4.80 6.56 5.66 5.48      
 +21 5.74 5.74 6.00 5.48 6.48 5.29 4.80 5.57 5.48 5.83 5.83 6.00 6.00 5.66 6.56 5.57 6.56 5.83 6.16 5.66 
 +>  
 +</code> 
 + 
 +===== Using hclust ===== 
 +<code> 
 # hclust() performs a hierarchical agglomerative NetCluster  # hclust() performs a hierarchical agglomerative NetCluster 
 # operation based on the values in the dissimilarity matrix  # operation based on the values in the dissimilarity matrix 
Line 1212: Line 1425:
 # the "method" parameter. # the "method" parameter.
    
-krack_reports_to_advice_hclust <- hclust(krack_reports_to_dist) +krack_friend_advice_hclust <- hclust(krack_friend_advice_dist) 
-plot(krack_reports_to_advice_hclust) +plot(krack_friend_advice_hclust) 
- +</code> 
 + 
 +{{:pasted:20191204-080711.png}} 
 + 
 + 
 +===== Using cutree ===== 
 +<code> 
 # cutree() allows us to use the output of hclust() to set # cutree() allows us to use the output of hclust() to set
 # different numbers of clusters and assign vertices to clusters # different numbers of clusters and assign vertices to clusters
 # as appropriate. For example: # as appropriate. For example:
-cutree(krack_reports_to_advice_hclust, k=2) +cutree(krack_friend_advice_hclust, k=2) 
- +</code> 
 + 
 +<code> 
 +> cutree(krack_friend_advice_hclust, k=2) 
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21  
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1  
 +>  
 +>  
 +</code> 
 + 
 +<code> 
 # Now we'll try to figure out the number of clusters that best  # Now we'll try to figure out the number of clusters that best 
 # describes the underlying data. To do this, we'll loop through # describes the underlying data. To do this, we'll loop through
Line 1243: Line 1472:
 # set a variable for our number of vertices. # set a variable for our number of vertices.
 clustered_observed_cors = vector() clustered_observed_cors = vector()
-num_vertices = length(V(krack_reports_to)) +num_vertices = length(V(krack_advice)) 
- + 
 # Next, we loop through the different possible cluster  # Next, we loop through the different possible cluster 
 # configurations, produce matrices of within- and between- # configurations, produce matrices of within- and between-
Line 1251: Line 1481:
    
 # pdf("6.3_m182_studentnet_task_social_clustered_observed_corrs.pdf") # pdf("6.3_m182_studentnet_task_social_clustered_observed_corrs.pdf")
-clustered_observed_cors <-clustConfigurations(num_vertices, krack_reports_to_advice_hclust, krack_reports_to_advice_cors)+clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 clustered_observed_cors clustered_observed_cors
 plot(clustered_observed_cors$correlations) plot(clustered_observed_cors$correlations)
 # dev.off() # dev.off()
- +
 clustered_observed_cors$correlations clustered_observed_cors$correlations
 +</code>
 +
 +<code>
 +> clustered_observed_cors <-clustConfigurations(num_vertices, krack_friend_advice_hclust, krack_friend_advice_cors)
 +Warning message:
 +In cor(as.vector(d[g1[i], , ]), as.vector(d[g2[j], , ]), use = "complete.obs") :
 +  표준편차가 0입니다
 +> clustered_observed_cors
 +$label
 +[1] "number of clusters:  1"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 
 +
 +$correlation
 +[1] NA
 +
 +$label
 +[1] "number of clusters:  2"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  1  1  1  2  1  1  1  1  2  2  1  2  1  1  2  1  1  1  1 
 +
 +$correlation
 +[1] 0.4896211
 +
 +$label
 +[1] "number of clusters:  3"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  3  2  2  3  2  3  1  2  3  3  1  1 
 +
 +$correlation
 +[1] 0.5944114
 +
 +$label
 +[1] "number of clusters:  4"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  1  1  3  4  2  2  3  2  3  1  2  4  3  1  1 
 +
 +$correlation
 +[1] 0.6398013
 +
 +$label
 +[1] "number of clusters:  5"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  2  4  1  3  5  2  2  3  2  3  1  2  5  3  4  4 
 +
 +$correlation
 +[1] 0.6538231
 +
 +$label
 +[1] "number of clusters:  6"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  5 
 +
 +$correlation
 +[1] 0.6723019
 +
 +$label
 +[1] "number of clusters:  7"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  4  6  3  5  7 
 +
 +$correlation
 +[1] 0.7019599
 +
 +$label
 +[1] "number of clusters:  8"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  3  4  3  1  7  6  3  5  8 
 +
 +$correlation
 +[1] 0.727137
 +
 +$label
 +[1] "number of clusters:  9"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  1  3  4  5  1  3  6  4  2  7  4  7  1  8  6  7  5  9 
 +
 +$correlation
 +[1] 0.7743714
 +
 +$label
 +[1] "number of clusters:  10"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9  7  8  6 10 
 +
 +$correlation
 +[1] 0.7919439
 +
 +$label
 +[1] "number of clusters:  11"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  4  3  7  5  2  8  5  8  4  9 10  8  6 11 
 +
 +$correlation
 +[1] 0.8093965
 +
 +$label
 +[1] "number of clusters:  12"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5  9  7 10 11  9  6 12 
 +
 +$correlation
 +[1] 0.8445199
 +
 +$label
 +[1] "number of clusters:  13"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  5  2  9  5 10  7 11 12  9  6 13 
 +
 +$correlation
 +[1] 0.8700886
 +
 +$label
 +[1] "number of clusters:  14"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10  5 11  7 12 13 10  6 14 
 +
 +$correlation
 +[1] 0.8844067
 +
 +$label
 +[1] "number of clusters:  15"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10  6 15 
 +
 +$correlation
 +[1] 0.9115517
 +
 +$label
 +[1] "number of clusters:  16"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 10 15 16 
 +
 +$correlation
 +[1] 0.9403353
 +
 +$label
 +[1] "number of clusters:  17"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9  2 10 11 12  7 13 14 15 16 17 
 +
 +$correlation
 +[1] 0.9502702
 +
 +$label
 +[1] "number of clusters:  18"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  3  8  9 10 11 12 13  7 14 15 16 17 18 
 +
 +$correlation
 +[1] 0.9633198
 +
 +$label
 +[1] "number of clusters:  19"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14  7 15 16 17 18 19 
 +
 +$correlation
 +[1] 0.9762881
 +
 +$label
 +[1] "number of clusters:  20"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  3  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 
 +
 +$correlation
 +[1] 0.9895545
 +
 +$label
 +[1] "number of clusters:  21"
 +
 +$clusters
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 + 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 
 +
 +$correlation
 +[1] 1
 +
 +$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +
 +> plot(clustered_observed_cors$correlations)
 +> 
 +> clustered_observed_cors$correlations
 + [1]        NA 0.4896211 0.5944114 0.6398013 0.6538231 0.6723019 0.7019599 0.7271370 0.7743714 0.7919439 0.8093965 0.8445199 0.8700886 0.8844067 0.9115517 0.9403353
 +[17] 0.9502702 0.9633198 0.9762881 0.9895545 1.0000000
 +>
 +</code>
 +{{:pasted:20191204-081317.png}}
 +
 +===== decision on # of clusters  =====
 +
 +<code> 
 # From a visual inspection of the correlation matrix, we can  # From a visual inspection of the correlation matrix, we can 
 # decide on the proper number of clusters in this network.  # decide on the proper number of clusters in this network. 
-# For this network, we'll use 4. (Note that the 1-cluster +# For this network, we'll use 6. (Note that the 1-cluster 
 # solution doesn't appear on the plot because its correlation  # solution doesn't appear on the plot because its correlation 
 # with the observed correlation matrix is undefined.) # with the observed correlation matrix is undefined.)
 num_clusters = 4 num_clusters = 4
-clusters <- cutree(krack_reports_to_advice_hclust, k = num_clusters)+clusters <- cutree(krack_friend_advice_hclust, k = num_clusters)
 clusters clusters
-  + 
-cluster_cor_mat <- clusterCorr(krack_reports_to_advice_cors, +cluster_cor_mat <- clusterCorr(krack_friend_advice_cors, clusters) 
-                                            clusters) +round(cluster_cor_mat,2) 
-cluster_cor_mat +
- +
 # Let's look at the correlation between this cluster configuration  # Let's look at the correlation between this cluster configuration 
 # and the observed correlation matrix. This should match the  # and the observed correlation matrix. This should match the 
 # corresponding value from clustered_observed_cors above. # corresponding value from clustered_observed_cors above.
-gcor(cluster_cor_mat, krack_reports_to_advice_cors) +gcor(cluster_cor_mat, krack_friend_advice_cors) 
- + 
 +</code> 
 + 
 +<code> 
 ##################### #####################
 # Questions: # Questions:
Line 1281: Line 1747:
 ##################### #####################
      
- 
- 
 ### NOTE ON DEDUCTIVE CLUSTERING ### NOTE ON DEDUCTIVE CLUSTERING
  
Line 1299: Line 1763:
 # You could then examine the fitness of this cluster configuration # You could then examine the fitness of this cluster configuration
 # as follows: # as follows:
-deductive_cluster_cor_mat <- generate_cluster_cor_mat( +deductive_cluster_cor_mat <- generate_cluster_cor_mat(krack_friend_advice_cors, deductive_clusters)
-  krack_reports_to_advice_cors, +
-  deductive_clusters)+
 deductive_cluster_cor_mat deductive_cluster_cor_mat
-gcor(deductive_cluster_cor_mat, krack_reports_to_advice_cors)+gcor(deductive_cluster_cor_mat, krack_friend_advice_cors)
  
 ### END NOTE ON DEDUCTIVE CLUSTERING ### END NOTE ON DEDUCTIVE CLUSTERING
Line 1311: Line 1773:
 # networks. # networks.
  
-# Task valued +# Friendship valued 
-task_mean <- mean(as.matrix(krack_reports_to_matrix_row_to_col)_ +friend_mean <- mean(as.matrix(krack_friend_matrix_row_to_col)) 
-task_mean+friend_mean
  
-task_valued_blockmodel <- blockmodel(krack_reports_to_matrix_row_to_col, clusters) +friend_valued_blockmodel <- blockmodel(krack_friend_matrix_row_to_col, clusters) 
-task_valued_blockmodel+friend_valued_blockmodel
  
-# Task binary +# friend binary 
-task_density <- graph.density(krack_reports_to) +friend_density <- graph.density(krack_friend) 
-task_density+friend_density
  
-task_binary_blockmodel <- blockmodel(as.matrix(krack_reports_to_matrix_row_to_col_bin), clusters) +friend_binary_blockmodel <- blockmodel(as.matrix(krack_friend_matrix_row_to_col_bin), clusters) 
-task_binary_blockmodel+friend_binary_blockmodel
  
  
-# Social valued+# advice valued
 advice_mean <- mean(as.matrix(krack_advice_matrix_row_to_col)) advice_mean <- mean(as.matrix(krack_advice_matrix_row_to_col))
 advice_mean advice_mean
Line 1333: Line 1795:
 advice_valued_blockmodel advice_valued_blockmodel
  
-# Social binary+# advice binary
 advice_density <- graph.density(krack_advice) advice_density <- graph.density(krack_advice)
 advice_density advice_density
Line 1339: Line 1801:
 advice_binary_blockmodel <- blockmodel(as.matrix(krack_advice_matrix_row_to_col_bin), clusters) advice_binary_blockmodel <- blockmodel(as.matrix(krack_advice_matrix_row_to_col_bin), clusters)
 advice_binary_blockmodel advice_binary_blockmodel
 +
 +
  
 # We can also permute the network to examine the within- and  # We can also permute the network to examine the within- and 
Line 1345: Line 1809:
 cluster_cor_mat_per <- permute_matrix(clusters, cluster_cor_mat) cluster_cor_mat_per <- permute_matrix(clusters, cluster_cor_mat)
 cluster_cor_mat_per cluster_cor_mat_per
 +</code>
  
 +<code>
 ##################### #####################
 # Questions: # Questions:
krackhardt_datasets.1575415553.txt.gz · Last modified: 2019/12/04 08:25 by hkimscil
Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki