基础篇 社会网络分析（SNA）

——理论、方法与软件

第一章 社会网络资料的收集

社会网络分析（Social Network Analysis,SNA）是在人类学、心理学、社会学、数学及统计学等领域中发展起来的，在国外是从20世纪30年代末出现并在最近二十多年里得到重要发展。社会网络分析是研究社会结构的最新方法和技术，目前已经形成了一系列专有术语和概念，并已成为一种全新的社会科学研究范式。社会网络分析所用的数据资料有其自身的类型与特征，本章主要介绍社会网络资料及其收集方法。

第一节 社会网络资料的相关概念

首先简单介绍社会网络的相关概念。“社会网络”（social network）是指社会行动者（social actor）及他们之间关系的集合。也可以说，社会网络是由多个节点（社会行动者）和各个节点之间的连线（代表行动者之间的关系）所组成的集合。社会网络分析中的节点代表社会行动者，连线代表行动者之间的关系。“行动者”（actors）可以是个体、公司、学校乃至组织、国家等。关于节点的信息既可以是静态的，也可以是动态的。行动者之间的“关系”（ties）是指具体的关联内容（relational content）或者现实中发生的实质性的关系。行动者之间的关系类型是多种多样的，可以是个人之间的朋友关系、上下级关系，也可以是城市之间的距离关系、国家之间的国际贸易关系等。

社会网络分析中的模（mode）是指社会行动者的集合，模数是指社会行动者集合类型的数目。由一个行动者集合内部各个行动者之间的关系所构成的网络称为1-模网络（one-mode network）。例如，一个公司内150名员工之间的朋友关系网络就是1-模网络。由一类行动者集合与另一类行动者集合之间的关系所构成的网络称为2-模网络（two-mode network）。还有一类特殊的2-模网络被称为“隶属网络”（affiliation network）。隶属网络中的两个模态分别是行动者和事件，即一个模态为行动者集合，另外一个模态为这些行动者所“隶属”的“事件”（如俱乐部或自愿者组织等）。

社会网络资料是指一组反映社会行动者之间关系的数据，它是进行社会网络分析的基础和材料。首先，社会网络资料是关于社会关系的数据信息，简称关系数据（relational data）。其次，关系数据有一定的表现形式，即通过一定的变量或数据把关系特征、结构等反映出来。所以，关系数据不同于属性数据（attribute data），不仅其本质内容不同，其表现形式也不同。属性数据是关于行动者的自然状况、态度、观点以及行为等方面的数据，一般被视为个人或者群体所具有的财产、性质、特点等属性。通过调查和访谈收集到的一些资料通常被看成是特定个体的一些属性，需要运用现有的统计程序对它们进行定量分析。适用于分析属性数据的方法主要是“变量分析”（variable analysis），如相关分析、回归分析、列联分析等。各种属性被看成是特定变量（如年龄、性别、学历、收入等）的取值。在进行变量分析时，属性数据的矩阵表现形式由个案和变量所构成的；矩阵的行表示个案（case），列表示变量（variable），如图1-1所示。

这种个案-变量数据矩阵（case-by-variable matrices）不能用来表示关系数据。关系数据的矩阵表示形式为个案-隶属关系矩阵（case-by-affiliation matrices）：矩阵的行表示个案（case），即一些特定的行动者，他们构成了分析单元；矩阵的列表示隶属项（affiliation），即这些行动者所卷入的组织、事件或活动等。用矩阵的各个列代表各个隶属项，可以区分出哪些行动者参与了何种隶属项。从这种个案-隶属关系矩阵中，可以引出关于行动者之间的直接关系和间接关系的信息。例如，图1-2就是一个简单的个案-隶属关系矩阵，它表示了3个人（标记为1、2、3）参与3个事件（标记为A、B、C）的情况。如果有某人参与了某一事件，则将矩阵对应交叉处的格值记为“1”，否则记为“0”。由图1-2可见，3个人都参与了事件A，都没有参与事件B和C。与这个关系矩阵相对应的社群图表示了一个在个体之间存在相互联系的简单的三人结构。可以将这个社群图解读为：每个人在某一特定事件过程中都与另外两个人存在联系。

图1-3表示了社会网络关系矩阵的三种一般形式，最基本的形式就是前面提到的个案-隶属关系矩阵（见图1-3（a）），其中各行表示行动者，各列表示行动者的隶属项。因为行和列表达的是不同的数据集合，因此这是一类2-模（2-mode）长方形矩阵，矩阵中的行数和列数通常是不相等的。从这种基本的长方形矩阵中可以推导出两个1-模（1-mode）方阵，其中一个是个案-个案方阵（见图1-3（b）），其中行和列都代表个案（case），矩阵中的每个格值表示特定的一对行动者之间是否由于共同隶属于一个事件而关联在一起。因此，个案-个案方阵表示了行动者之间实际存在的关系，并且该矩阵与其对应的社群图所表达的信息是等同的。另一个是隶属-隶属方阵（见图1-3（c）），其中行和列都代表隶属项（af-filiation），矩阵中的每个格值表示特定的一对隶属项之间是否由于拥有共同的行动者而关联在一起。这种隶属-隶属方阵在社会网络分析中非常重要，因为它通常可以展现出个案-个案方阵所不能明显反映的有关社会结构的重要信息。

一个简单的2-模长方形数据矩阵可以转换成两个1-模方阵，其中一个描述了初始阵的各行，另外一个描述了初始阵的各列。长方阵和两个方阵都是针对同一关系数据的相同表达方式，长方阵通常称为“发生阵”（incidence matrix），而两个方阵又称为“邻接阵”（adjacency matrix）。研究者通常需要将所收集到的个案及其隶属关系的2-模数据整理成一个发生阵，然后将这个发生阵转换为社会网络分析中使用的1-模邻接阵。在某些情况下，研究者也可以直接收集个案-个案方阵形式的关系数据，如在一个公司中员工之间的朋友关系就可以直接构建方阵。以下通过一个具体的实例来说明如何应用Ucinet软件工具分析关系矩阵。图1-4是一个虚构的4个公司之间的连锁董事会数据。当某个人兼任两个或者多个公司的董事时，则可认为存在一个“连锁董事”（interlocking directorates），并使其兼任董事的两个或多个公司建立了联络。通常将公司看成是个案，将各个公司共享的董事看成是隶属项。

由图1-4（a）可见，公司1有4个董事（A、B、C、D），而董事A同时也是公司2的董事，这表明公司1和2之间有关联。图1-4（b）表达了所有公司之间的连锁董事情况，矩阵中的每个格值不仅表示了连锁董事是否存在，还表示了每对公司之间共享董事的个数。每个格值并不是简单的二进制数，因为公司之间共享的董事可能多于一个。从初始发生阵的列中可以看出，公司1和4只有一个共同的董事，即C；而公司2和3则有两个共同的董事，即B和C。关系的强度可以通过关系本身包含的“连锁”数来测量。“最强的”关系存在于共享董事数目最多的公司之间，即公司1和2之间以及公司1和3之间，每组之间都共享3个董事。“最弱的”关系存在于只共享一个董事的公司之间，即公司1和4之间。

公司-董事发生阵（见图1-4（a））在Ucinet软件中可以通过以下两种方法输入：

（1）利用Ucinet软件本身的数据表程序（spreadsheet）直接输入。单击Ucinet主界面中的数据编辑器快捷方式（matrix spreadsheet）或者单击“Data→Data editors→Matrix editor”，就可以打开Ucinet的数据编辑器，可以在数据编辑器中直接键人数据，也可以利用“复制”“粘贴”等方式将Excel文件中的数据复制到Ucinet中。矩阵的行数（Rows）和列数（Cols）的默认值是30，分别将行数和列数修改为4、5，输入完毕后命名为“图1-4”, Ucinet软件将会自动生成两个文件：“图1-4.##d”和“图1-4.##h”（见图1-5（a））。

（2）利用文本编辑器输入。在Ucinet软件中，常见的数据输入方法是在一个文本文件中输入数据，可以利用任何一种字处理程序，如“写字板”或者“Microsoft Word”；或者在Ucinet单击“File→Text Editor”，打开文本编辑器，也可以输入数据文件。采用关联列表形式（linked list for-mats）输入数据，只需指定数据中实际有关联的关系。关联列表形式可分为两类：点列表（nodelists）和边列表（edgelists）。点列表形式（nodelist format）又为两小类：①点列表形式-1（nodelist1），用于输入1-模方阵数据；②点列表形式-2（nodelist2），用于输入长方形的2-模矩阵数据；两者都只能用来输入1-0矩阵数据。由于公司-董事发生阵是2-模矩阵，故采用点列表形式-2（nodelist2），在文本编辑器中输入相应语句（见图1-5（b））。

关键词“dl”（代表data language，即数据语言）是必需的，它界定了该文件是一个数据语言文件（DL filetype），并且必须放在文件的最前端。长方形的2-模矩阵需指定矩阵的行数和列数，语句“nr=4”表示矩阵包含4行（其中，nr是“number of rows”的缩写）,“nc=5”表示矩阵包含5列（其中，nc是“number of columns”的缩写）。DL文件也可以包含行动者的标签（lables），并可在标题行中加入标签信息。标签的长度最长为18个字符，不能包含空格或者逗号，建议用英文符号表示标签。可以针对行和列分别指定标签，即行标签（row labels）和列标签（column labels），也可以用embedded命令将标签嵌入到数据中。关键词“data:”表示标题信息（关于数据的信息）结束，接下来就是数据本身了。语句“format=nodelist2”指定一种数据形式，即每行中的第一个数字指定一个“个案”，其关系指向与之对应的“隶属项”，例如，公司1共享董事A、B、C、D，公司2共享董事A、B、C、E，公司3共享董事B、C、D，公司4共享董事C、E。在输入上述数据之后，在指定文件夹中保存该文件成为纯文本文件，并且给该文件命名为“图1-4.txt”。如果将该文件中的信息转换为Ucinet数据，需要在Ucinet单击“Data→Import text files→DL”，选择保存的文本文件“图1-4.txt”，即可打开成为Ucinet形式的数据文件。

在Ucinet软件中，单击“Data→Affiliations（conrert 2-mode data to 1-mode）”，可以将2-模发生阵转换为2个1-模邻接阵。其中，模态（Which mode）有两种选择：行模式（Row）生成以个案为计算标准的矩阵，即个案-个案邻接阵（公司-公司邻接阵）；列模式（Column）生成以隶属项为计算标准的矩阵，即隶属-隶属邻接阵（董事-董事邻接阵）。转换的方法（Method）有两种：①对应乘积法（cross-product method），这是默认的选项，适用于二值数据；②最小值方法（minimum method），既适用于二值数据，也适用于多值数据。由于公司-董事发生阵是一个二值矩阵，故转换方法选择“对应乘积法”（见图1-6）。

“对应乘积法”是运用矩阵乘法运算，将2-模发生阵转换为两个1-模邻接阵。首先，设矩阵A=公司-董事发生阵，定义AT为矩阵A的转置矩阵，即 如果矩阵A的规模为m×n，则矩阵AT的规模为n×m。设矩阵C=公司-公司邻接阵，D=董事-董事邻接阵，则有矩阵C=A×AT,D=AT×A。具体的矩阵乘法运算过程如图1-7所示。

通过Ucinet的绘图软件工具NetDraw可以将公司-公司邻接阵、董事-董事邻接阵用社群图表示出来（见图1-8）。社群图可以清楚地表示矩阵的结构，每条连线上的数字表示连线的数值，用连线的粗细表示关系的强弱。公司社群图（见图1-8（a））表示了各个公司之间存在的关系，即它们共享几个共同的的董事（连锁董事）。公司1和2、1和3之间具有强关系，它们均共享3个共同的董事。公司1和4之间具有弱关系，他们仅共享1个共同的董事。董事社群图（见图1-8（b））表示了各个董事之间存在的关系，即他们担任了同一个公司的董事。董事B和C之间具有强关系，他们共同担任三个独立的公司（公司1、2和3）的董事。董事A和D、A和E以及B和E的关系相对较弱，他们之间仅共同担任一个公司的董事。董事D和E相对其他董事来说居于网络的边缘地位：他们与其他董事的关联较少，并且关联强度也比较弱，他们自身之间也没有联系。

第二节 社会网络资料的收集方法

社会网络资料是指至少有一个对一组行动者作出测量的结构变量所组成的资料。对不同的社会网络有不同的测量方法和分析技术，如对亲友关系可用问卷法和访谈法收集资料，而对一些小群体的研究需采用观察法。具体采用何种方法视研究对象、目的的不同而有所不同，但通过社会网络资料回答的基本问题应是相同的：哪些行动者属于网络的成员？他们之间具有哪些形式的关系？如何对他们进行具体测量分析？从变量的角度来看，可分成两类：①结构性变量，主要测量成对行动者之间的关系，反映的是成对的行动者的特定类型的纽带关系，如对两个公司之间的商品交易的测量，人们之间友谊的测量等；②构成性变量，主要测量行动者的属性，也称为行动者属性变量（attribute variables），如性别、种族、民族等。

社会科学数据主要分为两类：“属性数据”和“关系数据”。“属性数据”（attribute data）是关于行动者的自然状况、观点和行为等方面的数据，一般被视为个人或者群体所具有的的财产、性质、特点等。通过调查和访谈收集到的一些资料通常被简单地看成是特定个体的一些属性，并且可以利用许多现有的统计程序对这些数据进行定量分析。适用于分析属性数据的方法主要是“变量分析”（variable analysis），该方法把各种属性看成是特定变量（如年龄、性别、学历、收入等）的取值。“关系数据”（relational data）是关于联系、接触、联络或者聚会等方面的数据，这类数据把一个行动者与另一个行动者联系在一起，因而不能还原为单个行动者本身的属性。关系不是行动者的属性，而是行动者系统的属性；这些关系把多对行动者联系成一个更大的关系系统。适用于关系数据的分析方法就是网络分析（network analysis）。在网络分析中，关系被认为表达了行动者之间的关联。尽管对这些关系也可以进行常规的定量统计分析，但社会网络分析方法更适用于分析关系数据。社会科学数据的第三种类型是“观念数据”（ideational data），它描述的是意义、动机、定义以及类型化本身。尽管观念数据居于社会科学的核心地位，但是分析这类数据的技术不如前两类数据那样完善。韦伯（Weber）概括提出的“类型分析”（typological analysis）是最富有成效的研究，但是这类方法还需要进一步发展。

尽管存在着各种不同的数据类型（见表1-1），每种数据各有其适用的分析方法，但是收集各种数据的方法并无特别之处。例如，收集属性数据的方法和收集关系数据的方法并无差别。这三种类型的数据通常一起进行收集，成为同一项研究的各个组成部分。例如，在对政治态度的研究中，可能把态度与群体成员和社区依附感联系在一起；在对公司之间共享董事成员的研究中，可能把董事与公司的规模和效益联系在一起。在这两种情况下，可以认为，问卷法、访谈法、观察法或者文献分析法都可用于收集数据。表1-1比较了三种数据的关系。

在进行社会网络资料的收集时，需要明确研究对象即行动者的界限范围，即应首先确定所分析的总体或网络的界限。当所分析的是相对较小、封闭的个体行动者网络时，其总体是很容易确定的。但是在许多情况下，不易确定一组行动者或整体网的界限范围。由于群体成员的构成是动态的，有些成员之间的关系也是松散的，特别是对大型的社区等分析单位来说，确定其边界是非常困难的。通常是根据人们之间的互动频率以及他们之间的关联强度对是否成员划分界限，有时也可由网络成员自己加以界定。总体说来，小群体的边界比较清晰，大群体的边界比较模糊。因此，在进行社会网络分析时需要明确分析的层次，主要可以划分为两个层次：①整体结构层次，涉及的是整体网资料；②个体结构层次，涉及的是个体网资料。

对关系属性的测量主要包括两个方面：①关系是有向的还是无向的，即行动者之间的关系是单向的还是双向的或者是无向的。在一个有向关系中，联系从一个行动者指向另一个行动者。在一个无向关系中，行动者之间的联系是没有方向的。②关系是二值的还是多值的。二值型是指两个行动者之间的关系要么存在要么不存在，这样便产生了一个只有两个值的二值型关系：“有”或者“无”。多值型关系可以用一系列的数值来表示两个行动者之间关系的强度。关系资料的相关类型可用表1-2来概括。

社会网络资料的具体收集方法有许多种，常用的方法有以下几种。

（一）问卷法

问卷法是调查研究最常用的资料收集方法之一，调查问卷通常包括问题和答案两部分。在设计调查问卷时可以使用三种不同的问题形式。

1.“花名册”和“自由提名”

在设计调查问卷时需要注意这样一个问题：是否应该把行动者集合中的其他行动者完全列出来，也就是是否把花名册出示给被访者看。仅当收集数据之前就知道集合中的行动者时才可能编制出花名册。例如，在收集一个大学班级里同学之间友谊信息的调查问卷中，研究者让每个学生将自己与班上其他同学的友谊分成五个等级：

请在最好地描述你和列表上每一个人关系的空白处做上标记。参与这个项目的每个人的名字都被列在下面。对于列表中的每个名字，你可以有以下五种选择：“值得信赖的朋友”“彼此之间非常熟悉”“一般的熟人”“名字和脸能对得上”以及“不认识”。

在一些调查问卷的设计中，研究者并不会在问卷中出示网络中行动者的完全列表，而是要求被调查者列出几个与自己在某种角色关系（如邻里、工作）、内容领域（如工作事物、家庭杂务）或亲密关系（如信任、互动）方面相联系的交往者的名单。这种由被调查者提供姓名列表的形式称为“自由提名”（name generators），通常应用于自我中心网分析。例如，要求被调查者列举其最好的朋友有哪些，最经常联系的人是谁，并列举出这些人的个人和社会地位特征等。

1985年美国“综合社会调查”（GSS）的问卷中，为了引出被调查者的知心朋友网络，调查员会提出如下问题：

大多数人总是会与其他人讨论一下重要的事情。那么，请你回顾一下过去六个月当中，你与谁讨论过重要的事情？你只需要说出他们的名字或者名字缩写就可以。

调查员计量每个被调查者说出的六个名字，然后继续提问：“你感觉跟所有这些人的关系都是一样的吗？（如果不）那么其中哪一个是你觉得关系特别近的？（接着可以试探性提问：还有其他人吗？）”然后对被调查者与其交往者之间的联系提问：

请考虑你刚才提到的那些人之间的关系。一些人之间也许完全陌生，他们即使在大街上碰在一起，互相也认不出来。一些人之间也许关系特别亲密，跟他/她和你的关系一样好甚至更好。那么，现在请考虑A和B。他们之间陌生吗？或者他们关系特别亲密吗？（可以试探性提问：跟他们和你的关系一样亲密？甚至更亲密？）

被调查者还要求回答：他们与其交往者认识多长时间了？平均间隔多长时间交谈一次？与被调查者之间是什么关系（如配偶、父母、子女、邻居、同事、朋友、顾问）？同时要求被调查者提供每一个交往者的性别、种族、教育背景、年龄、宗教和政党认同。

2.“自由选择”和“固定选择”

如果在问卷中限定了可提名的行动者的人数（如说出特定数量的“亲密朋友”），那么每个被调查者就需要作出固定数量的选择，这样的问卷设计称为“固定选择”。每个被调查者与集合中其他行动者之间联系的最大值是固定的。例如，在一项研究医生之间职业信息交流的调查中，某个社区中每个受访的医生都会被问及以下三个问题：

（1）你最常向谁寻求建议和获取信息？

（2）在一个星期中你最常跟谁讨论自己的病例？

（3）在你的同事中谁是你的朋友？在社交场合中你最常看见谁？

（对于每个问题，请提名三个医生）

如果被调查者在提名的人数上并未受到任何限制，这样的问卷设计就是“自由选择”。例如，在许多大学里，某个电脑程序的使用者形成了一个“无形学院”。为了研究这些使用者之间的关系，要求受访的使用者回答如下问题：

请就每个用户群体成员指出他们是否：

·有一个紧邻的办公室

·同时进入了相同的学校

·共同使用同一个办公室

·居住在相同的公寓里

·同时在相同的学校学习

·同时属于某个系

每个被调查者在以上六种关系上所能提名的人数并没有被限制。

3.“划分等级”和“完全排序”

在一些调查问卷的设计中，要求被调查者将自己与集合中所有其他行动者的关系划分等级或者排列顺序。“划分等级”要求被调查者对每一个联系都指派一个数值或级别；“完全排序”要求被调查者将他们与所有行动者之间的联系排序。这种测量方法反映了行动者之间联系的强度，可赋予一定的数值或方向，如行动者之间的联系是正向的还是负向的，以及是单向的还是双向的。

案例分析1-1是运用“调查法”收集社会网络资料的一个例子。

※案例分析1-1：罗家德（2010）有关中国人关系强度的调查问卷

本研究采用的是个人中心网调查问卷，主要测量三个指标：关系久暂、互动频率和亲密程度。调查问卷的具体内容如下：

请问依照你的创业计划（事先已请被调查者写好创业计划），列举五位你最可能在创业时求助的人：

一、你和他的关系是：

（1）父母\子女\夫妻关系

（2）兄弟姐妹关系

（3）亲密朋友

（4）亲戚关系

（5）普通朋友

（6）认识的人

二、我和他认识了

（2）刚刚认识

（4）半年到一年

（6）一年到三年

（8）三年到十年

（10）十年以上

三、我和他多长时间联络一次

（2）好多年没联络

（4）一年至少一次

（6）一个月至少一次

（8）一周至少一次

（10）一天至少一次

四、我和他谈的话题包括

（1）天气

（2）限于公事

（3）电影、电视、消费、旅游、娱乐活动的信息

（4）政治

（5）共同的兴趣，交换相关知识与心得

（6）个人私事，如健康状况、工作满意、财务状况

（7）共同认识的人，如我喜欢谁、不喜欢谁

（8）深入讨论自己的宗教、信仰或意识形态

（9）婚姻、性

（10）私人感情生活

五、我和他除了公事外还会一起做些什么事？

（1）我们不曾有任何非上班时间的接触

（2）会一起参加一些群体活动

（3）中午一起去吃午餐

（4）晚上会一起吃晚餐

（5）私下一起去做些娱乐活动

（6）两家人会聚在一起从事休闲活动

（7）会借我（他）一个月以上的钱

（8）我们会相约一起旅游，或我旅行时会住在他/她家

（9）会对你个人做人处世提出规劝意见

（10）我有重大困难，他会牺牲自己重大利益主动来帮忙

六、我和他有多少共同认识的人（朋友、亲戚、邻居或家人）

（1）没有什么共同认识的人

（4）一群都不太熟的共同认识的人

（7）一小群十分熟的共同认识的人

（10）好几群十分熟的共同认识的人

本研究将中国人的关系强度划分为四个构面：认识久暂、互动频率、亲密行为及亲密话题。问卷第一题测量的是“关系类型”，包括“家人”（父母、夫妇、子女及兄弟姐妹）“亲戚”“亲密朋友”“普通朋友”和“认识的人”。第二题测量的是“认识久暂”，共有五个选项：“刚刚认识”“半年到一年”“一年到三年”“三年到十年”“十年以上”，各项分值分别是2分、4分、6分、8分和10分。第三题测量的是“联络频率”，也有五个选项：“好多年没联络”“一年至少一次”“一个月至少一次”“一周至少一次”和“一天至少一次”，分值依次也是2分、4分、6分、8分和10分。第四题和第五题测量的分别是“亲密话题”和“亲密行为”，用来测量双方的亲密程度。这两题分别各有10个选项，按照亲密程度由低到高排列，分值也由1分逐渐增加到10分。第六题测量的是双方的“亲密朋友圈”，共有四个选项：“没有什么共同认识的人”“一群都不太熟的共同认识的人”“一小群十分熟的共同认识的人”和“好几群十分熟的共同认识的人”，分值分别是1分、4分、7分和10分。

（二）访谈法

访谈法是社会研究常用的资料收集方法之一，当无法通过调查问卷收集资料时，面对面的或者是通过电话的访谈则被用来收集资料。在社会网络分析中，访谈法主要用于收集自我中心网资料，如了解一个人的朋友圈子、询问其关系强度等。访谈法也可用于社会支持网研究。

（三）观察法

观察法是通过观察记录行动者之间的互动情况来收集社会网络资料，主要适用于研究规模相对较小同时又存在面对面互动关系的小群体。通过对某一小群体的具体观察记录，了解其关系结构、密切程度和互动特性等。观察法特别适用于那些不能接受问卷或者访谈的研究对象。

（四）文献档案法

文献档案法是根据研究对象的有关资料，如日记、档案、信件、报刊等文献资料，通过追踪查询来找出其社会关系网络。文献档案法既可以研究个人的关系网络，也可以研究某些重要人物、团体、国家之间的联系网络。

（五）实验法

实验法是根据实验设计而获取社会网络资料的方法，主要用于著名的“小世界现象”的研究。1967年，美国哈佛大学社会心理学家Stanly Milgram在研究联结人与社区的人际关系网时，设计了一个连锁信件实验：先确定一个信件传递的“目标人物”。作为“起点人群”的每个人都不认识目标人物，他们都将获取一些关于目标人物的信息，包括他的姓名、地址、职业和其他相关信息。Milgram要求起点人群将信件寄给他们熟悉的人——那些可能认识“目标人物”的人。收到信件的人又被要求重复这一过程，以此类推。这个实验也称为“小世界实验”，是对小世界现象（small world phenomenon）最早的研究。Milgram根据这一研究发现了“六度分离”现象，即“你和任何一个陌生人之间所间隔的人不会超过六个，即最多通过六个人你就可以认识任何一个陌生人”。并由此产生了著名的“六度分离”（Six Degrees of Separation）理论，即“每两个特定美国人之间平均只间隔六个人”。

一般来说，整体网资料的收集多采用大规模的问卷法，但是对于小群体或者小型网络（包括自我中心网），因其关系数据反映的是某一个体（自我）与网络内部分其他行动者之间的关系，所以收集这类网络数据多采用访谈法、观察法以及实验法。