研究资金对知识创造和传播的影响：

超过160次。表5和表6显示了匹配后的估计治疗效果，即各组间平均差异的大小和显著性测试。请注意，匹配对的数量取决于使用的样本，输出变量的日志值用于解释均值比较测试中原始变量分布偏态的影响。估计的影响程度与参数估计模型的影响程度相当。获得成功资助的研究人员平均发表1.2篇文章（实验[0.188]），并在第二年多发表一份预印本（实验[0.053]），他们的文章比对照组的文章多被引用1.7次（实验[0.532]）。在altmetrics方面，我们还发现，在接受赠款的群体中，平均数也有显著差异，高出1.15（exp[0.138]）。此外，就FCR和RCR而言，对治疗组也有显著影响。在受资助的研究者组中，被列入“高引用研究者”的概率（通过FCR>3衡量）高出5.5个百分点（αT=0.055）。这意味着t+1中的出版物被引用的次数至少是该领域平均水平的三倍。4.3治疗效果的持续性除了资助后一年（t+1）的效果外，我们还对后续几年（t+3）的效果持续性感兴趣。很可能在收到资金后，任何产出影响都会在相当长的时间内发生。研究项目的启动，包括新研究人员的培训和设备的设置，可能需要一段时间才能开始实际研究。原则上，我们当然可以预计这种影响也会持续三到四年以上。然而，四年后，一个项目补助金的治疗效果可能会被一个（或几个）后续补助金所混淆。

表5和表6显示了不同时间范围内不同TOUTCOME变量的结果。结果表明，资助具有持续的产出效应，即在资助年后的三年中，每年增加一篇文章。对预印本的影响在初期已经非常显著，但在以后的几年中也持续存在，这表明该项目的研究结果可能通过该渠道传播。与这些结果相比，我们发现altmetrics在早期显著更高，但在中期没有。当我们将基于引文的测量作为影响和相关性的指标时，我们发现中期引文数据的数量显著增加，但影响大小有所下降，这表明研究人员在获得资助后更早地发布了最重要的结果。这也反映在平均引用次数和被高度引用的概率的结果中。对于FCR而言，随着第一年后各组之间的差异逐渐消失，这种影响的持续性降低。对于RCR而言，在获得资助后的第一年，平均数的差异最为显著，只有在t+3.4.4的10%水平上才显著影响学术生命周期和研究领域的异质性。对于大多数结果，我们发现有资金和无资金的研究人员之间存在显著且持续的差异，同时控制研究结果的其他驱动因素。正如早期研究（Arora&Gambardella 2005，Jacob&Lefgren 2011）所示，补助金的影响可能取决于研究人员的职业阶段。作为职业阶段的代表，我们使用研究人员的生物年龄。此外，根据研究领域的不同，资金效应可能存在异质性。

我们在（i）年龄和资金之间以及（ii）研究领域和资金之间进行互动测试。更具体地说，我们采用了年龄的分类变量，并在第4.1节介绍的混合模型中考虑了与资金变量的交互项。同样的程序也在研究领域重复。互动测试确实表明，有证据表明，根据年龄组（两种结果的p值均<0.001）和研究领域（文章的p值<0.001，预印本的p值为0.0045），对文章和预印本计数的资助效果存在差异。当我们在连续结果模型中测试这些相同的交互效应时，结果表明，根据年龄组（p值<0.001）和研究领域（p值=0.0242），每篇文章的平均引用次数在资助效应上存在差异。对于AltMetrics和引用率，我们没有发现年龄组之间存在重大差异的证据（altmetric的p值为0.328，RCR为0.802，FCR为0.873），也没有研究领域（altmetric的p值为0.2296，FCR的p值为0.5124）。为了更好地理解这些资金效应的差异，我们参考图？？对于文章计数和数字？？每篇文章的平均引用次数。这些图表显示了预测的文章或引用数量，具体取决于资助组（t- 1） 以及年龄组或研究领域。对于所有这些亚组，SNSF资金（作为PI）在t- 1对结果有积极影响。然而，这种影响的大小有很大不同。最年轻的年龄组（<45岁）似乎从基金中受益匪浅，因为治疗组和对照组研究人员在文章数量上的预测差异，以及每篇文章的引用率（以PI形式资助和无资助的范围不重叠）。

更多的资深受资助研究人员（45-54岁和55-65岁）的表现与具有相同特征但没有资助的研究人员相似。值得注意的是，对于年龄较大的研究人员（65岁以上）来说，群体之间的差异也更大，这表明资金有助于保持生产力。我们通过倾向评分匹配法对匹配样本中的相互作用效应进行后估计，得到了非常相似的结果，请参见图1，我们没有对RCR结果的相互作用进行测试，因为该分析仅针对现场进行。图2：根据研究者的年龄组（左）和研究领域（右），根据研究者是否接受治疗（作为PI或联合PI）或不接受治疗（无资金），预测每年的文章数量。为了预测文章数量，基线混杂变量固定为2015-19年，男性，评估分数AB-A，大学，年龄交互模型中的LS，以及年龄低于45岁的领域交互模型。我们发现，与NSF的资助相比，PIs（<45）中的youngestage组和最资深的研究人员（>65）分别有78%和115%的显著正百分比变化。此外，资助对STEM研究人员的影响最大（与无资金支持的研究人员相比，作为PI的文章增加了23%。LS和SSH中的影响不那么显著，分别为+15%和+12%。10.对于所有研究领域，SNSF资助对文章数量和引用数量都有积极影响。然而，STEM研究人员受益最多，相比无资金支持的研究人员，作为PI资助的文章增加了23%文章增加15%，搜索者增加12%。这可能反映出在STEM和LS中，成功进行研究的程度高度依赖于资金，而在SSH中不一定如此。

然而，就每篇文章的引用次数而言，SSH研究人员受益最大（SSH的引用次数增加了14%，STEM的引用次数增加了8%，LS的引用次数增加了6%）。这表明，在SSHF图3中，资助可能会支持研究质量，因此其影响更大：根据研究人员是否接受治疗，预测每篇文章的年平均引用次数，考虑到研究人员的sage组（左）和研究领域（右）。对于预测，基线混杂变量在年龄交互模型中固定为2010-14岁、男性、评估分数AB-A、大学、LS，在场交互模型中固定为45岁以下。与没有SNSF资助相比，PIs（<45）中最年轻年龄组的平均就诊次数出现了10%的显著正百分比变化。引文数量的其余变化并不显著。然后，对于SSH研究人员来说，资金的影响最大（与未获得资金的研究人员相比，每篇文章作为PI的引用次数多15%）。LS和STEM的影响不太明显，两者均为+8%。但请注意，这些间隔都是重叠的。菲尔德。因此，应该注意的是，尽管SSH研究人员发表的文章和被引用的绝对数字较少，但我们仍然看到SNSF资金对结果产生了显著的积极影响。其余结果的相关数据可在补充材料中找到；更具体的是，altmetric分数如图8所示，预印本计数如图7所示，FCR如图9所示。5结论认识到竞争性研究资助所起的作用，对于设计最能促进知识生成和扩散的研究资助政策至关重要。

通过调查项目资金对科学产出的影响、相关性和可及性，本研究有助于在个体研究者层面上研究研究资金的影响。利用2005-2019年期间SNSF所有项目资助申请者的详细信息（包括个人特征和他们提交的项目被同行收到的评估分数），我们估计了接受项目资助对出版成果及其相关性的影响。这项研究的优势在于研究人员和资助方案的详细信息。首先，样本包括成功和失败的申请人。因此，有研究想法的研究人员也属于对照组。第二，关于提案评估分数的信息允许我们比较提交项目想法的研究人员——平均而言——质量相当。因此，估计的治疗效果考虑到所有申请人都可能通过参与效果从资金竞争中受益（Ayoubi等人，2019年）。除了这些方法学方面，这项研究的一个关键贡献是——除了科学期刊上的文章之外——这是第一次纳入研究。预印本是一种越来越重要的早期传播研究成果的手段，没有访问限制（Berg等人，2016年，Serghiou&Ioannidis，2018年）。除此之外，我们还调查了绝对和相对引文指标的相关性和影响。在分析已发表研究获得的引文时，考虑特定领域的引文模式很重要。为此，我们将RCR和FCRas测量纳入研究者自己研究领域的相对研究影响，作为额外的结果测量。

最后，这是第一项调查资金与研究人员altmetrics得分之间关系的研究，反映了广大公众对研究成果的关注程度（Bornmann 2014，Warren et al.2017，Lazaroiu 2017）。结果显示，所有评估方法的模式都相似，表明在获得资助后的三年中，每年都会有大约一篇额外的文章受到影响。此外，我们发现预印本的数量也会受到同样大小的影响。不同方法之间的比较表明，如果考虑到重要的可观察研究者特征（如年龄、领域、性别和经验）以及提案质量（反映在评估分数中），参数回归结果和非参数模型会导致关于出版物产出的类似结论。重要的是，可以观察到对文章引用数量的重大影响，这表明资金不仅转化为更多，而且只是略微相关的研究。受资助的研究似乎比其他研究更能吸引公众，这一点在获得资助的群体中表现得更为突出。就RCR和FCR而言，结果表明，受资助研究人员在研究社区的整体知名度可能会受到影响。然而，对RCR的影响对所使用的估计方法并不可靠。本研究中分析的资助项目对所有与有资格获得SNSF资助的机构有联系的瑞士研究人员开放。这使我们能够研究研究人员生命周期和研究领域中的治疗效果异质性。研究结果表明，在职业生涯的早期阶段，资金尤其重要，因为PF促进了没有资金就无法进行的研究。

关于不同领域的治疗效果异质性，我们发现STEM研究人员的文章数和SH中引用的最高资助效果最高。虽然与之前的研究结果相比，关于资金对后续科学论文数量的积极影响的见解与之前的研究一致，但我们在这里记录的影响更大。原因可能与瑞士国家科学基金会是瑞士研究资金的主要来源有关。因此，我们可以确定控制组的研究人员，他们在被视为控制组的时期内没有其他项目资助。我们还观察到，在其他研究中，由于对PIs的关注或缺乏信息，可能会将共PIs分配给对照组。这两种情况都可能导致之前研究中对资助效果的低估。此外，通过计算这些研究人员的所有出版物，我们不仅进一步考虑了与项目直接相关的文章，还考虑了项目之外的学习溢出效应和协同效应，从而提高了研究人员的整体研究绩效。尽管有种种努力，但这项研究并非没有局限性。首先，我们没有为可能在工程科学中很重要的研究项目提供行业资金（Hottenrott&Thorwarth 2011，Hottenrott&Lawson 2017）。此外，研究人员反复接受资助，并且随着时间的推移，可能会在治疗组和对照组之间切换，这一事实使得差异分析变得简单。这些因素使我们观察到的研究结果的长期影响评估更加复杂。本文介绍的方法旨在说明基金奖和基础数据结构的非随机性。

虽然我们发现，主要结果对所使用的估计方法是可靠的，但读者应记住，影响个人出版结果的时变未观察因素，如家庭或健康状况、参与专业服务或行政角色和职责（Fudickar等人，2016）可能没有得到充分的解释。此外，我们没有关于项目中涉及的研究团队和个人责任的详细信息。因此，我们不调查团队特征对任何结果影响的作用。在这样的分析中，有必要研究单一PI和多个PI项目是否以及如何不同，以及不同的PI项目在项目成功中发挥的作用。对团队进行更详细的分析也很有意思，以便区分团队和个人的差异。第三，我们使用预印本和altmetrics作为输出度量，这与之前关于资金效应的研究相比是新颖的。由于我们无法将我们的结果与之前的结果进行比较，因此我们鼓励未来更直接地研究资金对早期出版和科学传播的影响。需要记住的是，altmetrics除了可以衡量传播效果，还可以衡量作者在网络中的嵌入程度，但不能衡量个人研究成果的质量。可能比同行评议的期刊、预印本和altmetrics中的出版物更容易被玩弄——例如，通过重复分享自己的文章，或通过将研究成果“意大利腊肠切片”成几份再版。最后，应该指出的是，我们没有调查本研究中可能对影响评估很重要的几个方面。

该列表包括资助金额的作用、研究成果的新颖程度，以及除年龄外的个体特征方面的治疗效果异质性。致谢我们感谢Tobias Phillip对研究设计和本手稿之前版本的有益评论，以及Matthias Egger在提交前对手稿进行的额外仔细审查。数据可用性在Zenodo（doi.org/10.5281/Zenodo.5011201）上可以找到匿名和聚合的数据集。为了匿名化数据，我们只提供申请人的年龄作为分类变量。这项工作得到了SNSF（内部基金）的支持。竞争性利益无人声明。参考Adams，J.D.和Griliches，Z.（1998），《大学体系中的研究生产力》，年鉴D\'\'Economie et de Statistique（49/50），127-162。ANZSRC（2019），“成果文件：澳大利亚和新西兰标准研究分类审查2019”。Arora，A.，David，P.和Gambardella，A.（1998），“公共资助科学中的声誉和能力：评估对研究团队生产力的影响”，《经济学和统计学年鉴》（49-50），163-198。Arora，A.和Gambardella，A.（2005），《国家科学基金会对经济学基础研究的支持影响》，年鉴d\'《经济与统计》（79/80），91-117。阿尤比，C.，佩佐尼，M.和维森丁，F.（2019），“重要的不是取胜，而是参与：如果科学家从参与科研资助竞赛中受益会怎样？”，研究政策48（1），84-97。Battistin，E.和Rettore，E.（2008），“不合格和合格的非参与者是回归不连续设计中的双重比较组”，计量经济学杂志142（2），715–730。C.博德瑞和S.阿拉维。