Video Experimental Relacionado
Updated: Aug 28, 2025
08:43
Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
8.0K
Una prueba causal de la fuerza de los lazos débiles
Karthik Rajkumar1, Guillaume Saint-Jacques1, Iavor Bojinov2
1LinkedIn Corporation, 700 E Middlefield Rd, Mountain View, CA 94043, USA.
Science (New York, N.Y.)
|September 15, 2022
Resumen
Los vínculos débiles en LinkedIn aumentan la movilidad laboral, pero el efecto no es lineal y depende de cómo se mida la fuerza del vínculo y la industria. Los lazos moderadamente débiles a menudo producen los mejores resultados.
Área de la Ciencia:
- Análisis de las redes sociales
- Economía del trabajo
- Sociología
Sus antecedentes:
- La teoría de la "fuerza de los lazos débiles" sugiere que las conexiones sociales más débiles facilitan el acceso a nuevas oportunidades.
- Comprender el papel de los lazos débiles en redes profesionales como LinkedIn es crucial para la movilidad profesional.
- Las investigaciones anteriores se han basado principalmente en datos observacionales, sin evidencia causal.
Objetivo del estudio:
- Investigar experimentalmente el impacto causal de los lazos débiles en la movilidad laboral dentro de la red profesional de LinkedIn.
- Para probar los matices de la fuerza de la teoría de lazos débiles en un contexto digital a gran escala.
- Identificar los factores que moderan la relación entre la fuerza del vínculo y la movilidad laboral.
Principales métodos:
- Análisis de experimentos aleatorios a gran escala en los que participaron más de 20 millones de usuarios de LinkedIn durante cinco años.
- Manipulación de la prevalencia de lazos débiles dentro de las redes de usuarios.
- Seguimiento de nuevas formaciones de vínculos y transiciones de trabajo.
Principales resultados:
- La evidencia experimental confirma que los lazos débiles aumentan la movilidad laboral, lo que respalda la fuerza de la teoría de lazos débiles.
- Se observó una relación invertida en forma de U: los vínculos débiles aumentan la movilidad laboral hasta cierto punto, con rendimientos decrecientes a partir de entonces.
- El impacto de los vínculos débiles varió: los vínculos moderadamente débiles (por las conexiones mutuas) y los vínculos más débiles (por la intensidad de la interacción) mostraron el mayor efecto en la movilidad laboral.
- Se encontraron diferencias en la industria: los lazos débiles fueron más efectivos en las industrias digitales, mientras que los lazos fuertes fueron más beneficiosos en las industrias menos digitales.
Conclusiones:
- La fuerza de los lazos débiles no es lineal y presenta rendimientos marginales decrecientes.
- La definición y la medición de la fuerza del vínculo (intensidad de la interacción frente a las conexiones mutuas) influyen significativamente en los resultados de la movilidad laboral.
- La eficacia de los vínculos débiles frente a los fuertes en la promoción de la movilidad laboral depende del contexto y varía según la digitalización de la industria.
Videos de Conceptos Relacionados
01:30Criteria for Causality: Bradford Hill Criteria - I
462
The Bradford Hill criteria are a group of principles that provide a framework to determine a causal relationship between a specific factor and a disease. There are nine criteria that are pivotal in assessing causality in epidemiological studies. Here's a closer look at Strength, Consistency, Specificity, and Temporality criteria with definitions and examples:
462
01:28Criteria for Causality: Bradford Hill Criteria - II
549
The Bradford Hill criteria serve as guidelines for establishing causative links in epidemiological research. Beyond Strength, Consistency, Specificity, and Temporality, key criteria also include Biological Gradient, Plausibility, Coherence, Experiment, and Analogy. These principles assist scientists in assessing the likelihood of causation in complex biological contexts. Below is a summary of these concepts:
549
01:53Cause and Effect
11.1K
While variables are sometimes correlated because one does cause the other, it could also be that some other factor, a confounding variable, is actually causing the systematic movement in our variables of interest. For instance, as sales in ice cream increase, so does the overall rate of crime. Is it possible that indulging in your favorite flavor of ice cream could send you on a crime spree? Or, after committing crime do you think you might decide to treat yourself to a cone?
11.1K
02:12Relationship Formation
40.7K
What do you think is the single most influential factor in determining with whom you become friends and whom you form romantic relationships? You might be surprised to learn that the answer is simple: the people with whom you have the most contact. This most important factor is proximity. You are more likely to be friends with people you have regular contact with. For example, there are decades of research that shows that you are more likely to become friends with people who live in your dorm,...
40.7K
01:20Spearman's Rank Correlation Test
972
Spearman's rank correlation test, also known as Spearman's rho, is a nonparametric method for assessing the strength and direction of association between two variables. This test is particularly valuable when the data distribution is unknown or when the assumption of normality does not hold. Named after the English psychologist and statistician Dr. Charles Edward Spearman, it serves as the nonparametric counterpart to Pearson's correlation coefficient.
Spearman's test calculates...
Spearman's test calculates...
972
01:27Correlation and Causation
38.4K
Statistical tests can calculate whether there is a relationship, or correlation, between independent and dependent variables. An indirect relationship of the variables signifies a correlation, while a direct relationship shows causation. If it is determined that no connection exists between the variables, then the correlation is a coincidence.
Correlation versus Causation
If the dependent variable increases or decreases when the independent variable increases, there is a positive or negative...
Correlation versus Causation
If the dependent variable increases or decreases when the independent variable increases, there is a positive or negative...
38.4K