Capítulo 33 Redes

33.1 Análise de redes

33.1.1 O que é análise de rede?

• A análise de redes é uma abordagem estatística gráfica baseada na teoria dos grafos que permite representar, explorar e interpretar relações complexas entre múltiplas variáveis analisadas simultaneamente.³¹³

• Nessa abordagem, as variáveis são representadas por nodos (ou nós) e as relações entre elas por arestas, formando uma estrutura relacional que evidencia padrões de associação, interdependência e organização do sistema estudado.³¹³

• Diferentemente de métodos tradicionais, como análises univariadas ou modelos de regressão clássicos, a análise de redes não foca relações isoladas entre variáveis, mas sim o comportamento conjunto do sistema, permitindo observar fenômenos emergentes que não seriam detectáveis individualmente.³¹³

• A análise de redes representa uma mudança conceitual importante em relação às abordagens estatísticas tradicionais, ao enfatizar sistemas, interações e complexidade.³¹³

33.1.2 Por que a análise de redes é útil em pesquisa científica?

• Muitos fenômenos científicos, especialmente nas ciências da saúde, são multifatoriais, interdependentes e não lineares, envolvendo variáveis biológicas, comportamentais, psicológicas e sociais.³¹³

• Análises univariadas tendem a simplificar esses fenômenos ao avaliar efeitos médios ou relações diretas entre pares de variáveis, o que pode ocultar padrões relevantes.³¹³

• A análise de redes permite: visualizar associações simultâneas entre diversas variáveis; identificar variáveis centrais em um sistema; detectar subestruturas densas ou agrupamentos de variáveis fortemente associadas; explorar potenciais mecanismos intermediários ou mediadores.³¹³

33.1.3 Quais são as limitações da análise de redes?

Apesar de seu potencial, a interpretação dos resultados deve ser cuidadosa, especialmente em estudos observacionais, evitando inferências causais indevidas.³¹³

33.2 Matriz de incidência

33.2.1 O que é uma matriz de incidência?

• Uma matriz de incidência é uma representação tabular que descreve a relação entre dois conjuntos distintos de entidades, como nodos e arestas em uma rede.³¹³

• Em uma matriz de incidência, as linhas representam um conjunto de entidades (nodos) e as colunas representam outro conjunto (arestas). A presença ou ausência de uma relação entre as entidades é indicada por valores binários (0 ou 1) ou por pesos numéricos que refletem a intensidade da relação.³¹³

Tabela 33.1: Exemplo de dados categóricos para criação de matriz de incidência.

Sexo	Tabagismo	Atividade
F	Sim	Baixa
M	Não	Alta
F	Não	Moderada
F	Sim	Baixa
M	Não	Alta

Tabela 33.2: Matriz de incidência criada a partir de dados categóricos.

SexoF	SexoM	TabagismoSim	AtividadeBaixa	AtividadeModerada
1	0	1	1	0
0	1	0	0	0
1	0	0	0	1
1	0	1	1	0
0	1	0	0	0

O pacote stats¹⁵⁶ fornece a função model.matrix para criar uma matrix de incidência por expansão de variáveis indicadoras.

33.3 Elementos da rede

33.3.1 Quais são os principais elementos de uma rede?

• Nodos (nós): representam as variáveis do estudo, como sintomas, doenças, características clínicas, sociais ou psicológicas.³¹³

• Arestas: representam as relações entre os nodos. Podem indicar correlação, associação parcial, dependência condicional ou outro tipo de relação estatística.³¹³

• Peso das arestas: em redes ponderadas, a espessura da aresta indica a magnitude da relação; relações mais fortes são representadas por conexões mais espessas.³¹³

• Sinal das arestas: geralmente codificado por cores, indicando associações positivas ou negativas.³¹³

Figura 33.1: Exemplo de grafo de rede com nodos e arestas ponderadas.

33.3.2 Como as redes podem ser classificadas?

• Redes não ponderadas: indicam apenas a presença ou ausência de relação entre os nodos.³¹³

• Redes ponderadas: representam também a intensidade da relação.³¹³

• Redes direcionais: possuem setas nas arestas, indicando direção da relação (por exemplo, causalidade hipotética).³¹³

• Redes não direcionais: não assumem direção causal e são mais apropriadas para estudos observacionais e transversais.³¹³

• Em pesquisas transversais, especialmente em saúde, redes não direcionais e ponderadas são geralmente preferidas, pois evitam inferências causais indevidas quando não há informação temporal adequada.³¹³

33.3.3 O que define a posição dos nodos em um grafo de rede?

• A posição espacial dos nodos é determinada por algoritmos de disposição (layout), que organizam a rede de modo a facilitar a interpretação visual.³¹³

• Um dos algoritmos mais utilizados é o Fruchterman–Reingold³¹⁴, que simula forças de atração e repulsão entre os nodos, posicionando nodos mais fortemente associados mais próximos entre si. A proximidade entre nodos em um grafo geralmente reflete maior associação estatística.³¹³

33.4 Tipos de redes

33.4.1 Quais são os principais tipos de redes estatísticas?

• Redes de correlação: baseadas em matrizes de correlação simples; são fáceis de interpretar, mas podem conter associações espúrias.³¹³

• Redes de correlação parcial: representam relações entre dois nodos controlando todas as demais variáveis do sistema, reduzindo associações indiretas.³¹³

• Modelos gráficos gaussianos: uma forma específica de rede de correlação parcial, muito utilizada em psicometria e epidemiologia.³¹³

• Modelos gráficos mistos: permitem a análise conjunta de variáveis contínuas, ordinais e dicotômicas, comuns em dados reais de saúde.³¹³

33.4.2 Como reduzir associações espúrias em redes?

• Em conjuntos de dados com muitas variáveis, redes podem se tornar densas e difíceis de interpretar. Para contornar esse problema, utiliza-se penalização estatística, como o método LASSO (Least Absolute Shrinkage and Selection Operator).³¹³

• Na análise de redes, o Graphical LASSO (gLASSO) elimina associações fracas, resultando em redes mais parcimoniosas e interpretáveis.³¹³

33.5 Métricas de rede

33.5.1 O que são medidas de centralidade?

• Medidas de centralidade quantificam a importância relativa de cada nodo no sistema.³¹³

• Grau: número de conexões diretas de um nodo.³¹³

• Força: soma dos pesos das conexões de um nodo, sendo uma das medidas mais utilizadas em redes ponderadas.³¹³

• Intermediação: frequência com que um nodo atua como ponte entre outros nodos.³¹³

• Proximidade: quão próximo um nodo está de todos os outros.³¹³

• Agrupamento: tendência de um nodo formar grupos com seus vizinhos.³¹³

Figura 33.2: Exemplo de grafo de rede com tamanho dos nodos proporcional à força.

Tabela 33.3: Tabela com principais métricas de centralidade dos nodos.

	Nó	Grau	Força	Intermediação	Proximidade	Agrupamento
A	A	3	3	0.167	1.00	0.667
B	B	2	2	0.000	0.75	1.000
C	C	3	3	0.167	1.00	0.667
D	D	2	2	0.000	0.75	1.000

O pacote igraph³¹⁵ fornece a função graph_from_incidence_matrix para criar uma rede a partir de uma matriz de incidência.

O pacote bootnet³¹⁶ fornece a função bootnet para avaliação da estabilidade e precisão das redes por reamostragem.

O pacote mgm³¹⁷ fornece a função mgm para estimação de modelos gráficos mistos.

Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,

Referências

156.

R Core Team. R: A Language and Environment for Statistical Computing.; 2025. https://www.R-project.org/.

313.

Leme DE da C, Alves EV da C, Lemos V do CO, Fattori A. NETWORK ANALYSIS: A MULTIVARIATE STATISTICAL APPROACH FOR HEALTH SCIENCE RESEARCH. Geriatrics, Gerontology and Aging. 2020;14(1):43–51. doi:10.5327/z2447-212320201900073

314.

Fruchterman TMJ, Reingold EM. Graph drawing by force-directed placement. Software: Practice and Experience. 1991;21(11):1129–1164. doi:10.1002/spe.4380211102

315.

Csárdi G, Nepusz T. The igraph software package for complex network research. V Complex Systems.; 2006:1695. https://igraph.org.

316.

Epskamp S, Borsboom D, Fried EI. Estimating Psychological Networks and their Accuracy: A Tutorial Paper. V 50.; 2018.

317.

Haslbeck JMB, Waldorp LJ. mgm: Estimating Time-Varying Mixed Graphical Models in High-Dimensional Data. V 93.; 2020. doi:10.18637/jss.v093.i08