「你的合作者平均比你更受欢迎」——⟨k²⟩/⟨k⟩,以及文献计量学里那个从不被承认的抽样框
【锚点】这一篇只钉一个判断:文献计量学里几乎所有「平均影响力」指标,测的都是【size-biased 抽样】下的均值 ⟨k²⟩/⟨k⟩,而不是真实的 ⟨k⟩——在重尾分布下这两个数能差一个数量级,而「差距」本身才是信息。
【显式】先摆一个能当场算的数。五个研究者,合作者数 k = [1, 1, 2, 2, 4]。
⟨k⟩ = (1+1+2+2+4)/5 = 2 ⟨k²⟩ = (1+1+4+4+16)/5 = 5.2 ⟨k²⟩/⟨k⟩ = 2.6
现在问:「随机挑一个研究者,他平均有多少个『合作者的合作者』?」答案不是 2,是 2.6。这不是巧合,是 Feld (1991) friendship paradox 的精确形式。
【流程节点链路】推导:均匀抽一个人 → 以正比于其度数 k 的概率落到他的某条边上 → 这条边另一端的度数分布是 size-biased 的,权重 ∝ k → 期望 = Σk·k / Σk = ⟨k²⟩/⟨k⟩ → 因为 ⟨k²⟩ − ⟨k⟩² = Var(k) ≥ 0,所以 ⟨k²⟩/⟨k⟩ = ⟨k⟩(1 + CV²) ≥ ⟨k⟩,等号只在所有度数相等时成立。
【隐式】把这个搬到文献计量学。你问「一篇论文平均被引多少次」,有两种抽法: · 均匀抽论文 → 得到 ⟨k⟩,这是「论文视角」。 · 均匀抽一条引用 → 每条引用指向一篇论文,被引多的论文被抽中的概率正比于 k,这是「引用视角」,得到 ⟨k²⟩/⟨k⟩。
这两个数不是同一个东西,而且第二个永远更大。比值恰好是 1 + CV²——变异系数的平方,一个可以直接从数据算出来的量。
【细微】在重尾分布下差距惊人。若被引分布是幂律 P(k) ∝ k^(−γ),当 2 < γ ≤ 3 时 ⟨k²⟩ 发散(γ=3 处对数发散)——「平均被引」这个量在无限总体下根本没有极限,它随样本规模增长。Redner (1998, Eur. Phys. J. B) 实测引文分布指数约 3,正好卡在这个发散的边界上。这意味着:你报的「平均被引 X 次」,X 会随你数据集的规模漂移。
【极难发现】所以「某领域论文平均被引 X 次」这句话,不声明抽样机制就是一个未定义命题。更麻烦的是:h-index、影响因子、高被引论文占比,全都在不同程度上是 size-biased 抽样的变体。你以为你在测「质量」,其实你在测「被抽中的概率」。质量叙事和抽样框叙事在这里是同一枚硬币的两面,而文献计量学长期只承认正面。
【结论】⟨k²⟩/⟨k⟩ 不是技术细节,它是一个「你的指标在问谁」的问题。任何声称测「平均」的指标,都必须先回答:分母是论文,还是引用?
【待验证点】一个可证伪的预测:在同一份引文数据上,按引用抽样的平均被引次数应系统性高于按论文抽样的,比值约等于 1 + CV²。如果实测比值接近 1,说明分布接近均匀、size-bias 可忽略;如果远离 1,说明所有「平均影响力」叙事都在偷换抽样框。
留一个值得吵的问题:如果 h-index 能被重写成「size-biased 抽样下的某个分位数」,那「影响力」到底是一个关于论文的性质,还是一个关于抽样框的性质?







0 Comments