影响期刊因子分析

查询相关论文CNKI上

(1) 引文统计年限范围。期刊在某年的影响因子实质上是表示该刊前二年所发表的论文在该年的平均被引次数。由于统计的只限于论文在发表后1-2年内的被引次数，因而相当一部分论文的引证高峰期并没有反映到影响因子中，尤其是那些出版时滞较长的刊物，因为文献老化（超过2年）的原因而没有被统计参与影响因子的计算，从而降低了影响因子值。分析表明，我国科技期刊的出版时滞普遍偏长，是国内科技期刊影响因子普遍偏低的主要原因之一。此外，以2年期的论文和引证来计算影响因子也难以较客观地反映引证规律，并由此造成同种期刊在不同年份的影响因子波动较大。如通过对200种化学类期刊的总平均影响因子分析后发现，其2年期的影响因子值在不同年份的波动范围常超过20%，但5年期的影响因子值则显示出一条较平滑的曲线。鉴此，有些引证分析研究机构甚至逐年对ISI采集的引文数据以更长的时间跨度重新计算，或分别以某年期刊的论文及其在出版后若干年的被引次数为分母和分子来计算“历时影响因子”。(2) 统计论文类型。ISI在影响因子计算公式中的分子、分母取值也存在很多问题，即影响因子的计算公式中，引证次数（分子）统计了相应刊物中所有论文被引证的总次数，而刊载论文数（分母）则只统计论文(Articles)、简讯（Notes）和评述（Reviews）类栏目的文章数，对社论(Editorials)、来信（Letters）、通讯（Correspondence）和其他一些常被引证的栏目的文章数目则不进行统计。实际上，这些未被统计部分的被引证频次对影响因子的贡献很大。分析表明，大约40%医学类期刊公布的影响因子比实际影响因子高10%以上，其中的5%甚至达到40%或更多。(3) 期刊大小。 详细的统计比较表明，以2年期的论文和引证计算的影响因子随相应期刊所发表论文数的多少呈现出较大的波动。统计比较发现，小期刊（年发表论文数少于35）影响因子在相邻年间的波动超过40%，对于年发表论文数超过150的期刊来说，其影响因子也有15%左右的波动。因此，在评价中若考虑到影响因子在一定范围的这种随机变化性，是难以给影响因子定量化的。 除影响因子计算公式本身的几个要素外，期刊和论文的类型、不同学科间引证行为和规律的差异（如不同学科的论文在引证半衰期和平均引文数上存在很大差异）等对影响因子的影响也十分巨大，这也是在评价中需要特别强调的。

(1) 引文统计年限范围。期刊在某年的影响因子实质上是表示该刊前二年所发表的论文在该年的平均被引次数。由于统计的只限于论文在发表后1-2年内的被引次数，因而相当一部分论文的引证高峰期并没有反映到影响因子中，尤其是那些出版时滞较长的刊物，因为文献老化（超过2年）的原因而没有被统计参与影响因子的计算，从而降低了影响因子值。分析表明，我国科技期刊的出版时滞普遍偏长，是国内科技期刊影响因子普遍偏低的主要原因之一。此外，以2年期的论文和引证来计算影响因子也难以较客观地反映引证规律，并由此造成同种期刊在不同年份的影响因子波动较大。如通过对200种化学类期刊的总平均影响因子分析后发现，其2年期的影响因子值在不同年份的波动范围常超过20%，但5年期的影响因子值则显示出一条较平滑的曲线。鉴此，有些引证分析研究机构甚至逐年对ISI采集的引文数据以更长的时间跨度重新计算，或分别以某年期刊的论文及其在出版后若干年的被引次数为分母和分子来计算“历时影响因子”。(2) 统计论文类型。ISI在影响因子计算公式中的分子、分母取值也存在很多问题，即影响因子的计算公式中，引证次数（分子）统计了相应刊物中所有论文被引证的总次数，而刊载论文数（分母）则只统计论文(Articles)、简讯（Notes）和评述（Reviews）类栏目的文章数，对社论(Editorials)、来信（Letters）、通讯（Correspondence）和其他一些常被引证的栏目的文章数目则不进行统计。实际上，这些未被统计部分的被引证频次对影响因子的贡献很大。分析表明，大约40%医学类期刊公布的影响因子比实际影响因子高10%以上，其中的5%甚至达到40%或更多。(3) 期刊大小。 详细的统计比较表明，以2年期的论文和引证计算的影响因子随相应期刊所发表论文数的多少呈现出较大的波动。统计比较发现，小期刊（年发表论文数少于35）影响因子在相邻年间的波动超过40%，对于年发表论文数超过150的期刊来说，其影响因子也有15%左右的波动。因此，在评价中若考虑到影响因子在一定范围的这种随机变化性，是难以给影响因子定量化的。 除影响因子计算公式本身的几个要素外，期刊和论文的类型、不同学科间引证行为和规律的差异（如不同学科的论文在引证半衰期和平均引文数上存在很大差异）等对影响因子的影响也十分巨大，这也是在评价中需要特别强调的。

因子分析的用处是：因子分析是将多个被测变量转化为几个综合指标（或潜变量），体现了一种降维的思想。 通过降维，将相关性高的变量聚集在一起，从而减少需要分析的变量数量，降低问题分析的复杂度。 它用于确定维数。 对标系统的维度是主观判断的。拓展资料：一、因子分析的内容：因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家CE斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。二、分析现状是我们数据分析的基本目的，我们需要明确当前市场环境下，我们的产品市场占有率是多少，注册用户的来源有哪些，注册转化率是多少，购买转化率是多少，竞品是什么，竞品的发展现状如何，我们和竞争对手相对，优势有哪些，不足又有哪些等等，都是属于对于现状的分析。这里包括两方面的内容，分析自己的现状和分析竞争对手的现状。三、数据分析的第三个目的就是预测未来，所谓未雨绸缪，用数据分析的方法预测未来产品的变化趋势，对于产品的运营者来说至关重要。作为运营者，可根据最近一段时间产品的数据变化，根据趋势线和运营策略的力度，去预测未来的趋势，并用接下来的一段时间去验证这个趋势是否可行，而且实现数据驱动业务增长。