Ongerichte clusterrandomisaties
We zagen dat de fiets-graaf veel minder verbonden is dan een willekeurige graaf. Dat is niet verrassend, want een graaf die geografische ruimte weergeeft, zal vaak delen hebben die met smalle corridors verbonden zijn, waardoor de graaf met weinig ingrepen te ontkoppelen is. Daaruit volgt dat er waarschijnlijk geografische clusters zijn die onderling sterk verbonden zijn en minder met andere clusters. We kunnen deze hypothese testen door te kijken naar de transitiviteit van het netwerk, oftewel de clusteringcoëfficiënt, een concept uit onze inleidende les. Er bestaan verschillende typen clusteringcoëfficiënten, maar we kijken naar de globale definitie (feitelijk het aandeel volledig gesloten driehoeken), dezelfde als eerder behandeld. Eerst bekijken we een ongewogen versie van de graaf en vergelijken die met een willekeurige graaf.
Om de globale transitiviteit van een netwerk te berekenen, stel je type in op "global" in je aanroep van transitivity().
Het fietsritnetwerk, trip_g_simp, is beschikbaar.
Deze oefening maakt deel uit van de cursus
Casestudies: netwerkanalyse in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Calculate global transitivity
actual_global_trans <- transitivity(___, type = "___")
# See the result
actual_global_trans
# Calculate the order
n_nodes <- ___(___)
# Calculate the edge density
edge_dens <- ___(___)