基于萬方和知網數據的期刊量化指標的結構模型建立

溫學兵, 王亞靜, 劉　洋, 劉瑞銀,3

(1. 沈陽師范大學 數學與系統科學學院, 沈陽　110034;2. 沈陽師范大學 學報編輯部, 沈陽　110034; 3. 康涅狄格大學 文理學院, 曼斯菲爾德　06269)

結構方程模型已經廣泛應用于心理學、社會學、教育學等領域,在期刊評價領域也逐漸被更多研究學者應用和探討。2004年,Yue Weiping等首次將結構方程模型應用在期刊評價中,并對各項評價指標分類探討,但未給出實例研究[1]。2009年,俞立平等采用中國科技期刊引證報告(擴刊版),即萬方數據股份有限公司的數據(萬方數據),對影響力、期刊特征和時效性3個一級指標10個二級指標建立了測量模型,認為結構方程模型既可以對隱含指標進行評估,還可以對指標進行篩選,并指出基礎數據的完備性對評價結果影響巨大[2]。2012年,毛國敏等采用知網的中國學術期刊影響因子年報的量化數據,將5個指標分為影響力因子和傳播因子兩類,對其進行了相關關系檢驗,得到了測量模型[3]。2014年,程慧平等采用萬方數據將6個期刊量化指標命名為期刊引用因子和期刊來源因子2個一級指標,計算得到了測量模型并分析了一級指標對二級指標解釋力強弱的原因[4]。2016年,陳小山等采用知網數據,使用主成分分析方法把13個量化評價指標分類為規模指標、篇均指標、比例指標3個一級指標,再利用結構方程模型方法計算得到了較為理想的測量模型[5]。

由于萬方數據的量化評價指標較多且使用了多個較新指標,而在利用國內數據庫查閱科研文獻時,知網為大多數人采用,故本文采用知網的2個網絡下載指標和萬方的15個量化指標,利用結構方程模型方法獲得了其中12個指標的滿足結構方程模型方法所有檢測指標要求的測量模型,并得到了結構模型。

1　結構方程模型

Spearman和Wright分別在1904、1918年提出潛在變量的分析模型及更深層次的路徑分析[6-7]。在此基礎上,瑞典的心理學家、統計學家Karlg Joreskog將回歸分析和因素分析結合在一起,開啟了結構方程模型的大門[8]。結構方程模型被稱為社會科學定量研究領域第3代定量模型和第4代定量模型之間的橋梁,它將測量模型和因果模型二者相結合,實現了社會科學描述性研究和解析性研究的統一。結構方程模型在社會科學領域上的應用越來越多,對問題分析的角度也越來越廣泛[9-10]。結構方程模型是由測量模型和結構模型組成,完整的SEM模型應該同時包含測量和結構模型,其原理見文獻[11]。

2　初始模型確定及驗證

2.1　數據來源

本文采用2016版中國科技期刊引證報告(擴刊版)[12]和中國學術期刊影響因子年報(2016版)[13]中共有的工程技術類307種期刊的量化指標數據。

2.2　指標選擇

1) 作為一種驗證性方法,結構方程模型方法要求最后每個潛在變量下至少要有3個測量變量;

2) 由于中國科技期刊引證報告(擴刊版)指標多,且總是把新出現的一些量化評價指標納入報告中,故選擇從其2016版的數據中選擇使用本方法處理問題的數據;

表1　指標及分類Tab.1　Index and classification

3) 研究人員通過網絡查閱中文文獻時,多數把清華知網作為首選,故選取了知網的2個網絡下載指標數據。

2.3　指標歸類

本文從指標內涵、區分度、用途和影響等[14]出發,在萬方和知網數據中選用了17項評價指標作為二級指標,并把它們歸為3類一級指標,即影響力(包含總被引頻次、學科影響指標、總下載量、他引率)、傳播力(包含擴展引用刊數、學科擴散指標、來源文獻量、平均引文數、平均作者數、地區分布數、機構分布數)、時效性(包含擴展即年指標、被引半衰期、H指標、引用半衰期、即年下載率、擴展影響因子)。其中影響力下屬的4個二級指標是與期刊總的量化指標有關的,傳播力下屬的7個二級指標反映了期刊在各個方面的影響程度廣度,時效性下屬的6個二級指標都是與時間相關的期刊量化指標。指標分類見表1。

2.4　數據預處理

由于數據之間的差異較大,因此將數據進行標準化處理:

標準化處理后的數據均在0～1之間,避免了在不同計量單位下的誤差。同時也對數據的效度和信度進行了分析處理,然后運用AMOS 20.0進行統計分析。

2.5　模型假設

初始模型A如圖1所示。

圖1　初始模型AFig.1　Initial model A

其中:TIM是內生變量;INF是外生變量;EXT是連接內生變量和外生變量之間的中介變量;INF1～INF4是潛在變量INF下設的測量變量;e是測量變量的誤差項;是測量變量無法解釋潛在變量的部分。同理,EXT1～EXT7、TIM1～TIM6分別是潛在變量EXT和TIM的測量變量。相應的誤差項如圖1所示。r1和r2分別是潛在變量INF和EXT的誤差項。C12表示TIM與EXT之間的相關關系,C13表示TIM與INF之間的相關關系,C23表示EXT與INF之間的相關關系。

通過第一階段模型的初始檢驗,結果顯示EXT4、EXT5、INF2、TIM4、TIM2并不符合模型理論,因此刪去以上測量變量,最終初始模型B為圖2。

圖2　初始模型BFig.2　Initial model B

2.6　模型識別

模型識別是模型擬合檢驗的前提,而過度識別要求自由參數個數<待測量數據數,即假定測量變量共有m個,那么待測量數據數DP=m×(m+1)÷2。本例中共有27個自由參數,包括3個已標記的路徑系數、9個未標記的路徑系數、15個未標記的方差數;共有12個測量變量,即DP=78。由于27<78。因此模型屬于過度識別,可以進行下一步驗證。

3　模型擬合與修正

AMOS軟件共有5種參數估計的方法[15],通常情況下,數據量在300左右要選擇最大似然估計;數據量超過1000,選擇第5種漸進無母樹統計。由于本文數據量為408,選擇最大似然估計法。AMOS軟件可以處理單一的測量模型,同時也可以處理結構模型。本文應用AMOS 20.0軟件進行擬合檢驗,根據檢驗結果發現盡管所有指標都滿足顯著性p<0.05。但是各項適配度指標并不滿足優秀擬合結果,如表2所示。

表2　初次模型檢驗結果Tab.2　Test results of initial model

由于適配度指標并未達到標準,因此要根據修正指標對模型進行修正。修正后適配度指標如表3所示。基本上都滿足優秀適配度,說明修正合理。

表3　修正后適配度檢驗表Tab.3　Revised appropriate checklist

根據標準化結果可以計算出潛在變量的組合信度,組合信度用來表示測量變量與潛在變量之間的結束程度。一般組合信度的檢驗值為0.5,若組合信度>0.5,則具有良好的組合信度。計算結果如表4。組合信度的計算公式為

其中:Pc為組合信度;λ為因子載荷量;θ為觀測變量的殘差。

表4　修正模型因子載荷量顯著性檢驗以及組合信度Tab.4　Modified model factor load test and reliability test

4　結　　果

從模型的適配度檢驗表以及估計值報表可以看出,EXT(傳播力)與EXT1(擴展引用刊數)、EXT2(學科擴散指標)、EXT6(地區分布數)、EXT7(機構分布數)之間存在結構關系,且組合信度為0.631;TIM(時效性)與TIM1(擴展即年指標)、TIM3(H指標)、TIM5(即年下載率)、TIM6(擴展影響因子)之間存在結構關系,信度系數為0.917;INF(影響力)與INF1(總被引頻次)、INF3(他引率)、INF4(總下載量)之間也存在結構關系,信度系數為0.863。

時效性TIM解釋TIM1、TIM3、TIM5、TIM6的能力分別為0.83、0.81、0.8、0.98,表示其解釋能力較高,可信度高;而傳播力EXT解釋EXT1、EXT2、EXT6、EXT7的能力分別為0.75、0.45、0.44、0.51,除EXT1以外其他均屬于中度解釋能力,這可能與不同學科的學科影響指標之間有不可忽視的差別有關系,而地區分布也會使期刊的傳播力受到一定影響。但二者指標均在可以接受的范圍;影響力INF解釋INF1、INF3、INF4的能力分別為0.96、0.49、0.95,均具有較好的解釋能力。

5　結　　語

本文利用知網和萬方數據各自的優勢,把二者的量化評價指標結合在一起使用,基于結構方程模型方法,利用AMOS 20.0軟件,首次獲得了滿足方法所有指標要求的結構模型,以期為指標的分類研究和評價體系構建提供參考。