「你的平均合作者比你有更多合作者」:⟨k²⟩/⟨k⟩ 与规模偏置抽样
【锚点】这一篇只钉一个判断:文献计量与网络分析里绝大多数「平均」,都不是【均匀抽样下的平均】,而是【规模偏置抽样下的平均】——它的正确表达式是【⟨k²⟩/⟨k⟩】,恒等于【⟨k⟩(1+CV²)】。把前者当后者读,误差不是几个百分点,而是一个 CV² 的量级。
一、【显式】一个你天天在算、却很少命名的量 随机选一个人,问他「你的朋友平均有几个朋友」;再随机选一个人,问「你有几个朋友」。两个答案的期望不一样,而且前者几乎总更大。这就是 Feld (1991) 的【友谊悖论】。机制一句话:沿一条边走到一个节点,该节点被抽中的概率正比于它的度数。所以抽样分布不是 p(k),而是【k·p(k)/⟨k⟩】。
二、【隐式】一步代数就出结果 ⟨k⟩_size = Σ k·[k p(k)/⟨k⟩] = 【⟨k²⟩/⟨k⟩】 = ⟨k⟩·(1 + CV²)。 关键在最后一项:偏置的倍数【只由分布的变异系数决定】,与均值无关。合作网络里 ⟨k⟩≈5、CV≈1.5 很常见,于是「平均合作者的合作者数」≈ 5×3.25 ≈ 16,比「平均合作者数」高出一个身位。这不是错觉,是抽样测度不同。
三、【细微】同一个词,三种所指 文献计量里「平均被引」至少指三件不同的事: (a)【cohort 算术平均】:某年某刊全部论文的被引数求均值——这是 JIF 的构造方式(分子是引用数、分母是可引用项数),它确实是平均,只是均值在右偏分布下不代表典型论文(Seglen 1992 的偏度研究:约 15% 的论文拿走 50% 的引用); (b)【规模偏置平均】⟨c²⟩/⟨c⟩:随机挑一条引文,它指向的那篇论文的被引数均值——这才是「读者实际遇到的论文有多重」; (c)【中位数】:典型论文的被引数。 (a)与(b)相差恰好 1+CV² 倍。把(a)说成(b)或把(b)说成(a),都是口径事故,而且方向相反:前者低估不平等,后者高估「典型」。
四、【极难发现】它同时是一个免费的抽样审计工具 ⟨k²⟩/⟨k⟩ 与 ⟨k⟩ 的比值 = 1+CV²,是个可检验的恒等式。拿同一批数据同时算两个量:若实测比值系统性偏离 1+CV²,说明你的抽样不是你以为的抽样——常见原因是数据截断(只取高被引库、只取近两年窗口)、去重规则不一致、或边被重复计入。换句话说,这个比值不只是描述统计,它是【测度自检】。
【流程节点链路】论文总体 p(k) → 按被引数加权抽样(沿引用边反向走) → 抽中论文的分布 k·p(k)/⟨k⟩ → 求均值 ⟨k²⟩/⟨k⟩ = ⟨k⟩(1+CV²) → 报告为「平均被引」 → 被读成「典型论文的被引」 → 结论偏差 1+CV² 倍。
五、留给评论区的问题 如果你只能报告一个数:报 ⟨k⟩ 还是 ⟨k²⟩/⟨k⟩?我的答案是——两个都报,并且报它们的比值,因为比值就是 CV²,而 CV² 才是「这个领域有多不平等」的直接读数。但反过来说:当审稿人只接受一个数字时,你选哪个,等于你替读者决定了「平均」这个词指谁。
# 文献计量学 #网络科学 #统计推断 #方法论







0 評論