医学论文指标公式是什么

采用spss软件，单因素分组对照计算。

t值和P值都用来判断统计上是否显著的指标。在p值就是拒绝原假设的最小alpha值，把统计量写出来，带进去算出来之后，根据统计量的分布来算p值。P值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较。由R·A·Fisher首先提出。Fisher的具体做法

假定某一参数的取值，选择一个检验统计量，在该统计量的分布在假定的参数取值为真时应该是完全已知的从研究总体中抽取一个随机样本计算检验统计量的值计算概率值或者说观测的显著水平即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。

CiteScore

影响因子是评价学术期刊的一项重要指标，曾被认为是学术界的金标准。但近年来由于在学术评价体系中被滥用受到各方人士的强烈抵制。2016年7月5日，几大顶尖级学术出版机构包括多家著名期刊也联合在预印本网站BioRxiv上发表文章呼吁期刊降低对影响因子计算的痴迷和依赖程度，并强调用引用分布曲线（Citation Distribution）来取代影响因子的简单算术平均。其他一些权威机构也纷纷提出多元化的文献计量评价指标，以期打破影响因子一家独大的局面。2016年12月8日，出版业巨头Elsevier重磅推出了他们基于Scopus数据库的全新期刊评价体系：CiteScore。Scopus数据库涵盖了世界上最广泛的科技和医学文献的文摘、参考文献及索引，因此被各界人士认为是影响因子最有力的竞争对手。与影响因子相比，Cite Score具有以下优势。

一，期刊涵盖数量众多，中文期刊显著增加。

CiteScore涵盖的期刊数量达到22256本，比影响因子的11000种期刊多了一倍。尤为重要的是，相比SCI数据库中的几十种中文期刊，Scopus收录了几百种重要的中文期刊。有学者表示，这对中文期刊会是一件好事。以往很多优秀的中文期刊由于不在SCI检索范围内，在高校职称评定时不被认可，因此稿源越来越少。如果将来国内认可CiteScore，那么对于被收录在Scopus数据库中的这些优秀的中文期刊又是一次极好的机会。

二，指标计算公式有所不同。

与影响因子的计算某期刊连续2年论文在第3年度的篇均引用次数类似，CiteScore计算的是期刊连续3年论文在第4年度的篇均引用次数。但两者有一个重要的区别，影响因子计算时的可引用内容只有论文和综述，剔除了编辑评述、读者来信、更正信息和新闻等计入分母，但其引用数仍被计入分子。而CiteScore将所有文献内容都视作可能被引用的内容，包括编辑评述、读者来信、更正信息和新闻等。这些内容的引用很少，因此会拉低期刊的得分。

三、影响因子没有学科领域的区分，而CiteScore有不同领域的相对排名。

大家都知道，把不同领域的文章混在一起谈影响因子，是没什么意义的。比如数学和工程的跟化学和生物领域的科研人员就没法说到一块去。一个是顶了天都不到2的影响因子，另一个是到10都很正常。CiteScore也是只有比较同一领域的期刊才有意义，对选择发表论文才具有专业引导作用。所以在查询网站中还有Highest CiteScore Percentile在CiteScore后面，这就能够看出期刊在不同领域的相对排名。

四、CiteScore是免费的。

与影响因子只对购买者开放不同，CiteScore对任何在线用户免费开放。任何人都可以通过官方网站来查看期刊CiteScore，也可以分析期刊的引用情况。

CiteScore一经推出，学术界人士普遍表示支持。多数人认为，影响因子是应该有个对手了，只要有进步，有比较都是好的，我们不要一家之言！本人也认为，影响因子已经在评价指标第一把交椅上坐得太久了，以致现在负面影响隐隐有超过积极影响的架势，也是时候有另一个因子取而代之了。但是影响因子毕竟在学术界还是影响深远，全盘否定而推出一个完全不同的指标有可能是操之过急。CiteScore在计算方法上与影响因子大同小异，虽然只是治标，但可能更加符合现在的需求。无论如何，有创新总是好的，多元化的计量评价指标才能让评价体系越来越趋于完善。

一提起论文价值，恐怕首先想到的是影响因子。尤其是在中国，影响因子对于科研人员和工作者真是命根，晋级，升迁，申请基金，评奖等等无不与影响因子有关。但是除了影响因子，还有许多其它的评价论文价值的方法。本文就介绍一下常见和新兴的评价论文价值的指标。评价一个论文价值，无非从量化和质化两个方面来评价，或者期刊和论文的角度来评价。下面提到的指标，有的是从量化，有的是从质化，有的是从期刊角度，有的是从文章角度。影响因子影响因子确切说是针对期刊的，而并非直接针对论文的。影响因子应该是一个量化和半质化的指标。为何？这是因为高影响因子的期刊低水平的文章也并非没有，低影响因子高水平的论文也大有存在。当然，如果论文婆家找的好，自身的身份也就自然高了。正如以前的皇妃，可能整个素质比一般大众好，可以平民中也大有出类拨粹的人物存在。因此，现在影响因子也是饱受垢病。有的人戏称SCI是stupid chinese idea，其中的原因也就不多说了。查看影响因子的方法有多种，最经典的方法当然是Web of Science，但是收费，一般人用不起。简单方便的方法可以使用医学文献助手：利用医学文献助手筛查PubMed文献质量引用次数这个就不用多介绍了吧。很多数据库和在线查询平台都可以实现引用次数的查看，例如Google和微软学术搜索Microsoft Academic Search，还有利用医学文献助手筛查PubMed文献质量H指数（H Index）H指数是2005年由美国加利福尼亚大学圣地亚哥分校的物理学家乔治·希尔施提出的。H指数的计算基于其研究者的论文数量及其论文被引用的次数。赫希认为：一个人在其所有学术文章中有N篇论文分别被引用了至少N次，他的H指数就是N。可以按照如下方法确定某人的H指数：将其发表的所有SCI论文按被引次数从高到低排序；从前往后查找排序后的列表，直到某篇论文的序号大于该论文被引次数。所得序号减一即为H指数。以上有关H指数的内容来自维基百科查看H指数的最简单的方法就是利用Google Scholar，注意是英文版的，中文版的不要。另外FireFox和Chrome也有相应的插件可以选用。I10指数（I10-Index）I10-index是由Google提出来的，指作者发表文章数被引用10次以上的个数。比如我发表了100篇文章（呵呵，有点大了啥），其中90篇被他人引用了10次以上，那么本人的I10-index就是90。如果说影响因子是针对期刊的话，那么H指数和I10指数就是针对个人的。论文的影响因子高，只能说该论文找了一个好婆家，具体引用情况并不一定。而H指数和I10指数就是确切反应论文引用的一种量化标准。G指数（G-Index）G-Index（G指数）相比于上述几个指标来有点默默无闻。G-Index是由Leo Egghe于2006年提出的， 评价作者论文数量的一个指标。G指数的计算方法如下把所有作者发表文章按照引用次数降序排列，序号为g把作者所有发表文章的序号进行平方，得到g2把作者所有文章的引用次数进行加法，得到∑TC最后一个∑TC仍大于g2的序号就是G指数。有点绕哈，没事举个例子更清楚一些，比如我发表了以下文章，按照引用次数进行排序如下引用次数（TC） 序号 （g） 文章引用 次数之和 （∑TC） g^2 47 1 47 1 42 2 89 4 37 3 126 9 36 4 162 16 21 5 183 25 18 6 201 36 17 7 218 49 16 8 234 64 16 9 250 81 16 10 266 100 15 11 281 121 13 12 294 144 13 13 307 169 13 14 320 196 13 15 333 225 12 16 345 256 12 17 357 289 12 18 369 324 12 19 381 361 11 20 392 400 … … … … 由上表可以看出我的H指数是13，g指数是19，因为第20个文献g2已经大于前面所有引用次数之和了。（该例子数值来源于Egghe. An Improvement of the H-Index: the G-Index）G指数相比于H指数和I10指数，更能反应论文整个引用情况。比如我发表的文章，总体都不高，可能H指数比较高，可是一算G指数立马原形毕露，原来是水货一枚。H5指数（H5-index）和H5中位数（H5-median）H指数、I10指数和G指数是针对个人论文引用次数的统计，而H5指数和H5中位数（H5-median）是针对杂志引用次数的一种评价体系。H5指数H5指数是过去5年之内某一杂志所发表的论文数相比于引用数的最小值，如Nature杂志过去5年之内发表了1000篇文章（当然实际数值比这个大），按照每篇论文的引用数进行降序排列第381位的文章的引用数是381，而382的文章引用数是300，那么Nature的H5指数就是381H5相较于IF，是反应杂志过去5年文章的引用情况，而IF是反应的杂志平均引用情况。H5相较于H指数，是针对杂志的总体情况，而H指数是针对于个人论文的引用情况。有时候不同影响因子的杂志，H5可能一样。如PLoS One和Nature Reviews Immunology的H5都是130，可是两者的影响因子相差可不止一个档次。H5中位数H5中位数（H5-median）是指所用文章引用次数的中位数。为毛不用平均数？因为资料不是正态分布。每一个杂志的文章引用次数肯定不会是平均分布的，正如我国居民收入一样。有的引用次数肯定很大，可是有的文献可能很水，引用次数少的可怜。如果平均无法反应真实的引用情况，中位数最佳的选择。F1000F1000(Faculty of 1000)是为生物学及医学研究人员提供评估服务的二次文献数据库，是由英国BioMed Central出版的一种新型在线研究辅助工具，包括生物学（Biology）和医学（Medicine）两大系列。 其目前是给生命科学研究者一个新的评价体系，而不仅仅依赖于是否被SCI收录。医学F1000：由2400多位世界顶级的临床专家、学者收集和评价，提供目前世界上最重要的医学论文信息及发展趋势。它包括18个领域：麻醉和镇痛、心血管疾病、重症监护和急诊医学、皮肤病学、糖尿病和内分泌病学、循证医学、胃肠病和肝病学、血液病学、感染性疾病、肾病学、神经疾病、肿瘤学、心理学、公共卫生和流行病学、呼吸系统疾病、风湿和临床免疫、泌尿病学、女性健康。该网站文献与PubMed及PubMed Central进行了链接。生物学F1000：由2300多位专家学者的评价，提供目前世界上最重要的生物学论文信息及研究趋势。涵盖学科领域：生物学、生物化学、生物信息学、生物技术、癌症生物学、心血管生物学、细胞生物学、化学生物学、发育生物学、生态学、进化生物学、胃肠生物学、基因组学和遗传学、免疫学、代谢及内分泌学、微生物学、分子生物学、分子医学、神经科学、药理学与药物发现、生理学、植物生物学、肾生物学、呼吸生物学、结构生物学。主要特点主要对PubMed收录的重要论文的进行客观评估，评估依据是以学术成就而非该期刊是否被SCI收录；参加评议的成员分别由美国和欧洲等国际知名机构的著名专家组成。根据论文对当前世界生物和医学研究的贡献程度和科学价值，通过客观反映学术水平的指标（F1000因子）给予评分，每日将最近一个月内的极少数优秀论文推荐给读者，并提供Pubmed链接。F1000三个等级分别为9分（杰出）、6分（必读）和3分（推荐）。以上有关F1000的内容来自百度百科。因此F1000相比于影响因子，多人工挑选的干预，其分值高的研究意义就比较重大。F1000应该是一个质化的指标，最简单的实时查看F1000的方法也可以使用医学文献助手。聊完了传统的评价指标，再扒一扒新兴的论文评价指标AltmetricAltmetric是一个新兴的指标，虽然字面意思是替代指标，但是我认为「社会化影响力」或者「网络影响因子」或者「分享因子」更能反应其本质。Altmetric出现的背景可能大家遇到这么一种情况，有的论文发表以后，被大家广泛转载，网络新闻报道，Twitter或者G+上评论和分享。这时，影响因子和F1000就不能反应这些了。Altmetric就是在这种情况下出现的，Altmetric就是反应某一论文分享、下载、阅读的情况。但是现在Altmetric争议也比较大，关于名字都有争议。我个人认为InterMetric更好，简称IM，有点和实时通讯软件混了啥。SocialMetirc，简称SM，有点变态了哈。有关Altmetric更多详情可以参阅此文：利用Altmetric评价系统了解论文的关注度分享情况类似的还有Plum Metrics （利用Plum Metrics评价系统了解论文的关注度分享情况）和Impactstory（这个可能要挂代理）RG ScoreRG Score（RG因子）是ResearchGate推出的一个评价作者的指标。RG Score推出的目的是为了帮助评价自己在科学圈内的处于一个啥水平。计算方法并不是自我发表了多少文章，而是自己的科研工作被同行认可以程度。RG Score不同于传统评价指标在于可以统计更多的信息，如下载，浏览、分享等。RG Score不同于Altmetric之处在于RG Score更测重于分享。如果和同行分享自己的Idea，并得到同行的认可和讨论，那么RG Score增长很快。更多有关RG Score的详情可以查看此文：ResearchGate科研人员自己的FaceBook