研究资金对知识创造和传播的影响：

这是自观察期开始以来，某研究人员在特定年份对其所有同行评议文章的所有引用的总和。对观察期开始前发表的文章的引用不考虑在内。研究人员在研究期间的工作平均每年被引用132.9次。然而，这一变量存在很大的偏差，6.8%的研究人员占所有引文的50%，并且与研究人员发表的文章总数高度相关。生命科学（185.2）和干领域（157.7）的平均引用数也存在领域差异，但这两个数字都大大高于SSH（25.6）。研究人员每篇（同行评议）文章的平均引用数是研究人员文章集的平均相关性的信息。我们样本中的文章平均每年被引用4.2次。每一篇文章的altmetric分数都是作为对已发表研究的关注度或可及性的衡量标准进行检索的。根据Konkiel（2016）的建议，我们采用了“一篮子指标”，而不是altmetric分数的单一组成部分。这个分数是数字科学的产物，代表了对某项研究成果所获得的注意力的加权计数。请注意，研究人员在t年的平均altmetric分数是t年发表的所有文章的altmetric平均值。我们样本中的一名研究人员的altmetric平均值为13。与引文计数类似，这个变量存在严重的偏差。跨学科的altmetrics差异非常小（见表7）。当使用简单的输出指标（如引用计数）时，重要的是要考虑特定领域的引用模式。

为此，我们收集了相关引用率（RCR）和领域引用率（FCR）。国家卫生研究院开发的RCRWA（Hutchins等人，2016年）。正如Surkis&Spore（2018）所述，RCR使用一种方法来评估一篇文章的引用计数，该计数标准化为NIH资助的出版物在同一研究领域和同一年份收到的引用。RCR的计算意味着根据文章的共引网络动态确定文章的领域，即引用目标文章的文章引用的所有文章。RCR的优势在于现场和时间标准化thehttps://help.altmetric.com/support/solutions/articles/6000233311-how-is-the-altmetric-attention-score-calculatedUnfortunatelyaltmetric不能作为维度的时间相关变量检索，只能作为数据检索时点（2020年9月）的altmetric状态检索。因此，altmetric告诉我们，在2020年9月之前，t got上发表的一篇文章的累积重要性。一篇文章被引用的次数。根据美国国家卫生研究院（NIH）的标准，一篇论文经常被引用，其RCR为1，而RCR更大的论文表明，鉴于该领域和年份，一篇文章被引用的次数超过了预期。RCR仅针对PubMed上出现的、至少有一次引用且超过两年的文章进行计算。因此，在分析这一产出指标时，我们只关注生命科学领域的研究人员。FCR的计算方法是将一篇论文的引用次数除以同一年和同一研究领域（FoR）类别中发表的出版物的平均引用次数。显然，FCR非常依赖于FoR的定义。使用的维度最接近澳大利亚和新西兰标准研究分类（ANZSRC 2019）。

对于FCR的计算，论文必须超过两年。与theRCR类似，FCR标准化为1，一篇引用次数为零的文章的FCR为零。作为altmetric，RCR和FCR不能根据时间进行检索，而是检索当天的快照。我们将t的平均FCR/RCR称为t中发表的论文的平均FCR/RCR。根据Hutchins等人（2016），高收益期刊上的文章的平均RCR约为3。RCR和FCR之间的关键区别在于，FCR使用研究领域的固定定义，而RCR领域与所考虑的每份出版物相关。表7显示，各油田的平均费率具有可比性。图1显示了根据前一年的资金状况（如co和/或PI），每名研究人员的年平均文章数、预印本数和altmetric分数的演变。每年发表的文章数量相当稳定，或者只是略有增加，而在过去几年中，再版数量大幅增加。最近发表的论文也比以前发表的论文有更高的altmetric分数，尽管它们引起关注的时间更少。然而，值得注意的是，由于我们在这里没有考虑任何研究人员的特征，资助和未资助研究人员之间的差异不能解释为资助的结果。然而，预印本和AltMetrics的日益流行表明，在资金评估中应该考虑到它们。3.1.3混杂变量稳定1进一步显示了研究人员性别、生物年龄、研究领域和机构类型的描述性统计数据。这些变量捕获了研究人员产出的驱动因素，因此在我们所有的分析中都要考虑到。

几乎77%的研究者是男性，大约60%的人在广东大学工作，24%在技术大学（ETH领域），17%在应用科学大学（UAS）和教师教育大学（UT）。研究领域和机构类型被定义为研究人员应用最多的领域或类型。表1：产出指标、资金指标和研究人员特征的描述性统计（平均）SD Min Max NAsOutput度量标准4.9 7.2 0 2220 0预印本0.4 1.5 0 54 0 av引文132.9 321.1 0 7\'888 0。引文4.2 4.9 0 146.2 0年度平均值。altmetric 13.2 44.6 1 4\'211 35\'237年平均值。FCR 6.6 12.4 0 786.5 26\'345年平均值。RCR 1.6 3.6 0 242.2 42的资助信息S资助年份#资助年份#4.6 4.7 0 15 0S资助年份S作为PI 3.3 4.5 0 15 0%治疗观察0.5性别女性23.1%男性76.9%年龄在46.6 8.3 96机构类型的广州大学58.8%1\'439ETH领域23.9%UAS/UTE/其他17.3%研究领域38.4%STEM 31.6%SSH 29.9%注：数据包含82 249名研究人员在793年的观察结果区分搜索者；av。代表平均水平。图1：前一年出版和预印本计数的时间趋势，以及SNSF资金状况的长期评分。经常往返于。生命科学领域（LS）在数据中所占比例最大，约为39%。这些变量与结果变量的样本前信息一起充当混杂因素，因为它们可能解释输出的差异，因此需要加以考虑。请注意，我们数据中的1615名研究人员在五年前的样本期内没有发表任何同行评议的论文。补充材料中的表7显示了各研究领域之间混杂变量的变化。提交的项目建议书按六分制评分：1=D、2=C、3=BC、4=B、5=AB、6=a。

按照Arora&Gambardella 2005的方法，我们使用项目评估信息来控制（或匹配）平均项目质量。我们将评估分数构建为一位研究人员在提交的提案中“收集”的所有分数在过去四年的滚动平均值，即PI和co PI（如果某位研究人员在过去四年中没有可用的分数，我们使用她所有时间的平均值）。我们这样做是因为未来的研究也会受到过去和同时发生的项目的质量的影响。然而，资助决定并非完全基于这些等级。它必须考虑到特殊调用的可用资金量。因此，一个申请在其他竞争申请中的排名起着重要作用，如果达到预算限制，即使是被高估的项目也可能被拒绝。被评为A/AB级的项目很有可能获得资助，而被评为D级的项目则从未获得资助，见图5显示了被拒绝和被接受项目的等级分布。注意，年龄缺失的研究人员被删除，因为这是一个重要的控制变量；缺失的机构类型被重新分类为未分类。此外，在分析中，资金信息将滞后一年（或一年以上），每位研究人员至少观察一年。用于分析的最终样本包括来自8\'282名独特研究人员的72\'738完整观察结果。4结果4。1混合效应模型-纵向回归模型稳定2总结了计数结果（每年出版物和预印本的数量）的两个负二项混合模型的结果。根据资金状况，发病率比率（IRR）告诉我们基线计数的乘法变化。

publicationcount的模型适用于整个数据集，而preprint Count的模型适用于自2010年以来的数据，因为之前预印本的数量一般都很小。SNSF资助似乎对研究生产力有显著的积极影响，包括年度发表数（PI比没有SNSF资助的高1.21倍）以及年度预印本数（PI比没有SNSF的研究人员高1.30倍）。表2：文章和预印本数1的多变量负二项模型的发病率比（IRR）。第2条。预印本（72英尺738磅）（61英尺726米）内部收益率（95%CI）p-val.内部收益率（95%CI）p-val.资金支持的PI（t-1）1.21（1.19；1.22）<0.001 1.30（1.22；1.39）<0.001资金支持的共同PI（t-1）1.11（1.09；1.13）1.10（1.02；1.19）评估。得分BC-B 0.98（0.96；1）0.026 0.79（0.74；0.84）<0.001Eval。（0.49；0.61）男（参考：女）1.46（1.37；1.56）1.46（1.37；1.37；1.56）<0.001 2.12（1.76；1.76；2.56）<0.001 2.12（1.76；2.56）<0.001年龄（几十）0.001年龄（几十年）0（几十）年龄（十年）0.001年龄（十年）0（几十）0（几十）在t）在t 1.00（几十）在t 1.97（几十）在t 1.97（几十）在t t t 1.01.01.01.01.01.01.01（0.01（0.01（0.01）在t 1.01（0.01（0.01（0.01（0.01（0.01（0.01（0.99；0.99；0.99；1.99；1.0.99；1.0.99；1.0.1.26；1.86）面积茎0.71（0.67；0.77）<0.001 3.10（2.63；3.65）<0.0010.15（0.14；0.16）0.40（0.33；0.49）2010-1411.14（1.12；1.16）<0.0012015-191.18（1.15；1.21）2015-192.06（1.95；2.17）<0.001注：提供了发病率比率（IRR）及其95%的密度区间（CI）。p值指模型中存在的每个变量的似然比测试结果。对于机构类型的大学来说，它是一个参考类别，对于领域来说，它是生命科学。

对于评估分数，AB-A类作为参考类别，对于模型1，这一年是06-09，对于模型2，这一年是10-14。资金）。在t-1在t中平均发表了4.64篇文章。一位类似的研究人员（所有混杂变量保持不变）在t中使用SNSF资金作为PI- 我会在t.PIs上发布5.6篇关于SNSF项目的文章，发布更多。男性研究人员和年轻的预印本研究人员也是如此。来自ETHDomain的研究人员发表的论文比来自各州大学的多。近年来，研究人员发表了更多的文章。与其他研究领域相比，LS的研究人员发表的同类文章更多。关于预印本，我们观察到了不同的图片。在这里，STEM研究人员在LS上发表的论文超过了其他研究人员。表3总结了连续结果的四个线性混合模型的结果：每份出版物的年平均引用次数、年平均altmetric、年平均RCR和年平均FCR。关于引文模式，有强有力的证据表明，我们还测试了这一结果的稳健性，以便在关注PF治疗和将具有Sinergia资助项目的研究人员添加到对照组时，使用Sinergia虚拟变量进行调整。作为PI和co PI效应的资金规模及其置信区间具有可比性。SNSF资金具有积极影响；尤其是SNSF项目中的PIs，其文章被引用的频率更高（PIs平均每年每篇文章被引用0.33次）。与其他领域的研究人员相比，LS研究人员的文章被引用最多。ETH领域的研究人员和年长的研究人员也是如此。

对于altmetrics和引文比率，我们采用对数尺度来解释其分布高度倾斜的事实；然后我们可以将系数解释为百分比变化。关于altmetrics，与其他研究人员相比，由SNSF资助的研究获得的注意力得分高出5.1%（到2020年9月）。到目前为止，LS的研究人员拥有最高的altmetrics，仅次于SSH的研究人员。并没有强有力的证据表明资金对年均RCR有影响。这意味着，在SNSF资助的研究人员的短期研究成果中，被引用的次数与NIH或其他重要研究人员资助的文章的平均数一样多，但也没有显著超过这一数字。来自ETH领域的年轻研究人员和研究人员的RCR较高。研究结果还表明，SNSF资助与研究人员的FCR之间存在正相关关系。4.2非参数估计虽然之前的估计方法模拟了个体间未观察到的异质性，但非参数匹配方法明确地将选择纳入治疗。它考虑了可观察因素的选择，如果不考虑这些因素，可能会导致错误地将资金效应归因于授予过程的选择性。我们将研究人员的资助成功建模为研究人员特征的函数。特别是，这包括他们以前的研究记录（发表经验和引用）以及研究人员收到的提交的建议（PI或联合PI）的所有评估分数的平均值。此外，我们还包括年龄、性别、研究领域和机构类型。我们获得了第2.2节中描述的匹配过程中使用的倾向评分。表4给出了probit对资助结果（成功与否）的估计结果。

该表首先显示了完整样本的模型，该模型提供了倾向评分，用于评估对文章和这些文章的引用以及预印本的处理效果。第二个模型显示了用于估计治疗对RCR影响的THLS研究人员子样本的模型。第三个模型显示了对全样本的估计，但考虑了样本前的FCR，并提供了用于估计治疗对FCR影响的倾向评分。第四个模型控制样本前的altmetrics值，并用于估计治疗对未来altmetrics得分的影响。结果表明，评估分数是资助成功的关键预测因素，与所有规范一致。分数越高，提案获得批准的可能性越大。男性研究人员获得资助的可能性高于女性以及老年研究人员。后一种结果可能有各种原因，这些原因不在本文的讨论范围内，其他地方也在讨论。正如所料，过去的研究表现是另一个强有力的预测拨款成功的因素，同行评议的文章比预印本更重要。除了数量之外，过去的研究质量（通过引用来衡量）也增加了提案被批准的可能性。

最近几年很有趣（如模型4所示），质量比数量似乎能预测拨款成功，因为解释拨款成功的是前期出版物的平均引用次数，而不是它们的数量。匹配前后倾向性得分和评估得分的分布比较表明，最近邻法成功地平衡了样本的授予可能性和（重要的）平均得分（见图4）。这确保了我们将有资金支持的研究人员与没有资金支持、有类似好想法的研究人员进行比较（例如，onSeverin等人（2020年）的分数相同），讨论评审员分数上的性别偏见，从而降低女性研究人员获得资助的可能性。在其他方面也具有可比性，预测积极的应用结果。表5和表6显示了两组（助学金获得者和未成功申请者）在每次匹配后倾向性得分和评估得分的平衡情况。请注意，我们从对照组中为每个获得补助金的人画出匹配的替代品，因此对照组研究人员的一些观察结果被多次用作“双胞胎”。表11显示，在不同的匹配样本中，不到10%的对照研究人员年度观察结果仅使用了一次，约60%到25次。大约10%的对照组研究人员经常使用，即。