评论：引文统计
Comment: Citation Statistics
摘要：
评论“引文统计”[arXiv：0910.3529]
英文摘要：
Comment on "Citation Statistics" [arXiv:0910.3529]
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
相关论文
评论：引文统计
Comment: Citation Statistics
评论“引文统计”[arXiv：0910.3529]
cs.DLphysics.soc-phstat.ME
评论：引文统计
Comment: Citation Statistics
我们讨论了定量评估研究联合委员会的论文“引文统计”[arXiv：0910.3529]。特别是，我们专注于一个必要的功能，“好”的措施，排名科学作者：良好的措施必须能够准确地区分作者。
cs.DLphysics.soc-phstat.ME
反驳：引文统计
Rejoinder: Citation Statistics
对“引文统计”的反驳[arXiv：0910.3529]
cs.DLphysics.soc-phstat.ME
引文统计
Citation Statistics
这是一篇关于引文数据在科学研究评价中的使用和误用的报告。研究评估必须使用“简单客观”的方法的想法今天越来越普遍。"简单客观“的方法被广泛地解释为文献计量学，即引用数据和从中得出的统计数据。有一种观点认为，引用统计数据本质上更准确，因为它们用简单的数字代替了复杂的判断，从而克服了同行评审可能存在的主观性。但这种信念是没有根据的。
cs.DLphysics.soc-phstat.ME
统计学家的合著与引文网络
Coauthorship and Citation Networks for Statisticians
我们收集并清理了两个网络数据集：统计学家的合著和引文网络。这些数据集是基于从$2003$到$2012$上半年在四种顶级统计学期刊上发表的所有研究论文。我们从许多不同的角度分析数据集，重点是（a）中心性，（b）社区结构，（c）生产力，模式和趋势。对于（a），我们已经确定了最多产/协作/高引用的作者。我们还确定了一些“热门”论文，建议“变量选择”作为“热门”领域之一。对于（b），我们已经确定了大约$15$有意义的社区或研究小组，包括大型社区或研究小组，如“空间统计学“、“大规模多重检验“、“变量选择”，以及小型社区或研究小组，如“降维”、“客观贝叶斯”、“分位数回归“和“理论机器学习“。对于（c），我们发现在10年的时间里，每位作者的平均论文数量和自我引用的比例都在下降，但远距离引用的比例一直在增加。这表明，统计界已变得越来越具有协作性、竞争性和全球化。我们的发现揭示了统计学家的研究习惯，趋势和拓扑模式。这些数据集为今后研究统计人员的社交网络或与之相关的研究提供了肥沃的土壤。
cs.DLphysics.soc-phstat.AP
用于加权二分网络的 Bi-SCORE 及其在知识源发现中的应用
Bi-SCORE for Weighted Bipartite Networks with Application in Knowledge Source Discovery
本文提出无需初始化、适用于加权二分网络度异质性的谱聚类方法 Bi-SCORE，并在理论、模拟和16,119篇论文构成的期刊引文网络上验证其能有效发现统计学知识源与六类研究社区。
stat.ME
更多相关论文收起更多论文
评论：应用统计学中融合的必要性
Comment: The Need for Syncretism in Applied Statistics
对“应用统计学中融合的需要“的评论[arXiv：1012.1161]
stat.ME
《统计建模：两种文化》（Statistical Modeling：The Two Cultures）作者：Leo Breiman
Comment on "Statistical Modeling: The Two Cultures" by Leo Breiman
受Breiman 2001年关于统计学中“两种文化”的激动人心的论文的启发，我们考虑了不同建模方法在因果推断中所起的作用。我们讨论了模型复杂性和因果（错误）解释之间的关系，插件与有针对性的估计的相对优点，在调整灵活的因果效应估计出现的问题，和一些突出的文化分歧因果推断。
stat.ME
统计欺诈检测：对“科学诚信研究中ANOVA回归结果的证据价值”（Klaassen，2015）的评论
Fraud detection with statistics: A comment on "Evidential Value in ANOVA-Regression Results in Scientific Integrity Studies" (Klaassen, 2015)
Klaassen在（Klaassen 2015）中提出了一种检测数据操纵的方法，给出了单因素ANOVA设计单元格的平均值和标准差。这篇评论批判性地评论了这种方法。此外，受此分析的启发，一种替代的方法来测试样本相关性在几个实验。结果与匿名举报人报告的初步分析非常一致。重要的是，统计量需要几个类似的实验;基于单个实验的3个样本均值之间的相关性检验必须被认为是不可靠的。
stat.ME
