1、将多值关系数据转换成二值关系数据，路径：变换→对分
2、密度分析，路径：网络→凝聚力→密度→密度
3、利用Net-Draw程序生成可视化结构图，
路径：可视化→Net-Draw→Open→Ucinet Dataset→Network
4、中心性的可视化分析，路径：Analysis→Centrality Measures
5、节点中心度分析，路径：网络→中心度→度
6、接近中心度分析，路径：网络→中心度→接近性
7、中间中心度分析，路径：网络→中心度→Freeman中间度→节点中间度
8、凝聚子群分析，路径：网络→角色&位置→结构→CONCOR
9、同时计算出各个点的四种中心度指数，路径：网络→中心度→多重方式
10、相关关系分析，路径：工具→检验假设→二进 (QAP)→QAP相互关系
11、回归分析，路径：工具→检验假设→二进 (QAP)→QAP回归→双倍Dekker Semi-Partialling MRQAP(D) (Ctrl+R)
点击后出现的对话框为如下，键入作为因变量的矩阵 DIPLOMATIC_EXCHANGE，分别输入作为自变量的四个矩阵的名称 CRUDE_MATERIALS、FOODS、MANUFACTURED_GOODS和 MINERALS，点击 OK 后得到的结果。
12、属性变量与关系矩阵之间关系的 QAP 检验：⑴ 利用 UCINET 中的 “自相关” （AUTOCORRELATION）分析法。这需要根据 UCINET中的路径：工具→检验假设→混合二进/节点→绝对属性→Join count。
点击之后，出现如下对话框，键入（或选出）输入数据“advice”和分区向量 sex。点击“OK”后即计算出结果。
⑵ 也可以利用 QAP，但是需要构建“性别关系矩阵”。 然后就可以利用 QAP 计算二者之间的相关关系了。
上述两种方法的比较：方法（1）给出组内和组间的检验结果，计算出显著性水平；方法（2）只给出组建检验，另外计算出相关系数和显著性水平。
13、在针对具体数据分析其派系构成的时候，可以利用 UCINET 中的程序（沿着 网络→子群→派系 这个路径）对关系数据矩阵进行派系分析，找到其中有多少个派系以及每个派系包含哪些成员等。
14、计算k-核：在 UCINET 中，沿着
15、Lambda 集合分析。在 UCINET 中，沿着“网络→子群→Lambda 设置”这条路径，选择需要加以分析的数据，即可分析该数据中的 Lambda 集合。
16、E-I秩数：在 UCINET 中，沿着“网络→凝聚力→E-I 指数”这条路径，就可以分析矩阵的 E-I秩数了。
17、结构洞：路径：网络→个体中心网络→结构洞
18、在 UCINET 中，利用 NetDraw→File→Open→UCINET dataset→2-Mode Network 工具可用来针对小网络生成一个有用的图，这就是二部 2-模图（Bipartite “Two-Mode” graphs） 。
19、SVD实现程序：工具→二模缩放比例→SVD（S）
奇异值分解法（Singular value decomposition，缩写为 SVD）是一种用来区分出 2-模（多值）网络数据背后的一些因子的方法。
20、因子分析：工具→二模缩放比例→因子分析
21、对二值行动者-事件的测量方法可采用对应分析（correspondence analysis）（工具→二模缩放比例→相应）。
对应分析很类似于潜类分析（Latent Class Analysis） ，其运算基础是多变量二值列联表分析（multi-variate binary cross-tabulations） ，有关它的分布假设更适用于二值数据。
22、2-模核心-边缘分区：在 UCINET 中，网络→二模→绝对核、外围（C）算法利用数量方法（numerical methods）来搜索行动者和事件的分区，使之与理想的像（idealized image）尽量接近。
23、在 UCINET 中，沿着 Networks > Subgroups > Factions 程序可分析 1-模数据，可针对指定的分派数量（如 4 派）进行分析。
对于 2-模数据来说，我们则要利用Network > 2-Mode > 2-Mode Factions 算法来分析，但是要注意，它只能分出两派。
原文地址：http://blog.csdn.net/nieson2012/article/details/46521265
