Which is the best day of the week to submit to arXiv:astro-ph?¶

作者: Chirag Sharma, Shantanu Desai
主题: 天体统计
相关性: 6/10
链接: https://arxiv.org/abs/2608.11268

一、子领域定位¶

本文属于天文学的哪一支：本文属于天文学信息学 / 科学计量学（Astroinformatics / Scientometrics），更具体地说是科学出版与引用分析。核心科学问题是：arXiv 预印本服务器的可见性机制（如列表位置、公告批次大小）是否以及如何影响论文的长期引用影响力？该子领域成熟度中等——已有若干奠基性工作（Dietrich 2008; Haque & Ginsparg 2009, 2010），但系统性、跨学科的因果分析仍不充分。
本文在这个子领域里的位置：它针对的是“提交星期几是否影响引用”这一具体切片，将粒子物理中已报道的周末提交劣势（Delorme et al. 2025）扩展到天文学，并特别区分了“提交日”和“公告日”两个变量。

二、关键术语扫盲¶

arXiv 预印本：天文学者正式投稿前先上传到 arXiv 的论文草稿，附时间戳，是社区阅读和引用的主要来源。
NASA ADS：天文学文献数据库，提供论文元数据（bibcode、引用数、期刊信息），是本文引用数据的来源。
引用分布：一篇论文被引次数的分布。天文学中高度右偏（幂律），少数论文获得绝大多数引用。
中位数：本文的主要统计量，因为均值被高引论文（如 Gaia 数据发布论文）严重扭曲。
Bootstrap 置信区间：通过重采样估计中位数的不确定性，不依赖分布假设。
Kruskal–Wallis 检验：非参数单因素方差分析，比较多个组的中位数是否相同。
Mann–Whitney U 检验：非参数两样本检验，比较两组分布是否相同。
Holm 校正：多重比较时控制族系错误率的方法，比 Bonferroni 更宽松。
公告批次：arXiv 每天 20:00 ET 发布一次新论文列表。周末不发布，因此周五 14:01 ET 至周一 14:00 ET 提交的论文全部出现在周一公告中。
可见性效应：论文在 arXiv 列表中的位置或批次大小影响被阅读和引用的概率，独立于论文质量。
时区转换：arXiv 时间戳为 UTC，需转换为 US Eastern Time 以匹配截止时间规则，并处理夏令时。
选择效应：不同期刊的 arXiv 覆盖率不同（如 ApJS 有 20% 论文无 arXiv 标识符），导致样本有偏。

三、天文学家关心的问题¶

天文学家关心如何最大化自己论文的影响力。引用数直接影响基金申请、职称晋升和学术声誉。arXiv 是天文社区阅读新论文的主要渠道，因此其可见性机制（列表位置、公告批次大小、提交时间）是否影响引用，是一个有实际意义的问题。更广义地，该子领域追问的是：科学传播的基础设施（arXiv、社交媒体、新闻稿）如何塑造学术影响力的分配？

当前主流分析方法包括： - Dietrich (2008)：发现 arXiv 列表顶部论文引用数约为底部两倍，归因于作者故意在截止时间后立即提交以占据顶部位置。 - Haque & Ginsparg (2009, 2010)：确认并细化该结果，发现即使位置是偶然获得（非刻意计时），顶部论文仍有显著引用优势——直接证据表明可见性本身独立于论文质量留下长期痕迹。 - Delorme et al. (2025)：在粒子物理和核物理中发现周末提交论文引用显著低于工作日，但工作日之间无差异。

本文相对这些工作的补充： - 将分析扩展到天文学（astro-ph），使用仅经同行评议的论文（排除未发表预印本）。 - 区分“提交日”和“公告日”两个变量，并指出周一公告的劣势本质上是周末提交劣势的重新表达。 - 使用中位数而非均值，避免高引论文（如 Gaia 数据发布）对均值的扭曲。

四、数据问题¶

数据来源：NASA ADS（论文元数据 + 引用数）+ arXiv API（版本 1 提交时间戳 + 主分类）。
数据形态：目录数据（catalogue），每行一篇论文，包含 bibcode、期刊、引用数、提交时间戳、公告日。
维度和量级：37,173 篇论文，6 个期刊，2020–2023 年发表。
几何结构：离散的类别变量（星期几、期刊），无流形或球面坐标。
噪声模型 & 测量误差：
引用分布高度右偏（幂律），非高斯。
测量误差主要来自：ADS 引用计数可能不完整；arXiv 时间戳的时区转换可能出错（已通过单元测试验证）；美国节假日导致公告批次合并或延迟（未建模，每年影响少量论文）。
选择效应 / 系统偏倚：
arXiv 覆盖率差异：不同期刊的论文有 arXiv 标识符的比例不同（JCAP 几乎 100%，ApJS 仅 80%），导致每个期刊样本受不同、未建模的选择机制影响。
主分类筛选：仅保留 astro-ph 主分类的论文，JCAP 近一半论文主分类在 hep-ph / hep-th / gr-qc，被排除。
发表年份差异：2020 年发表的论文比 2023 年有更长时间积累引用，但作者通过年份分层分析确认周末模式不是由单一年份驱动。
缺失 / 截断：无 arXiv 标识符的论文被排除（缺失机制可能与论文质量相关，但未建模）。
哪些是“漂亮的统计学问题”：引用分布的右偏和异方差性、选择效应的建模、混杂因素（论文主题、作者资历、团队规模）的控制。
哪些是“纯工程难题”：arXiv API 的批量查询速率限制、时区转换的夏令时边界处理、ADS 数据与 arXiv 数据的匹配。

五、模型问题¶

文章建立的模型/方法：本文没有建立复杂的统计模型。核心分析是描述性统计 + 假设检验：
按提交日 / 公告日分组，计算每组中位数引用数及 bootstrap 置信区间。
用 Kruskal–Wallis 检验比较多组中位数是否相同。
用 Mann–Whitney U 检验比较周末 vs. 工作日的预设对比。
工作日两两比较用 Holm 校正。
关键假设：
中位数是比均值更稳健的集中趋势度量（由引用分布的右偏驱动）。
各组论文在质量上没有系统性差异（即周末提交的论文并不天生更差）——这是因果解释的关键假设，但本文明确承认无法验证。
推断手段：非参数检验（秩和检验）+ bootstrap（百分位法，10^4 重采样）。
核心数值结论：
周末提交论文的中位数引用比工作日低 12–26%（五个期刊显著，JCAP 方向一致但不显著）。
工作日之间中位数引用无显著差异。
周一公告批次的中位数引用最低（在三个最大期刊中显著），但这是周末提交劣势的重新表达。
不确定性量化方式：bootstrap 置信区间 + 检验 p 值。

六、对统计学家的判断¶

1. 这篇文章作为入门读物质量如何？¶

评分：4/5 星

理由：数据来源清晰（ADS + arXiv API）、统计方法简单（中位数 + bootstrap + 秩检验）、科学问题直观（提交时间与引用的关系）。术语解释充分（如区分提交日与公告日、解释中位数优于均值的原因）。暴露了该子领域的核心思路（可见性效应、选择效应、混杂因素）。缺点是统计方法过于基础，没有展示更复杂的建模（如混杂控制、因果推断），但作为入门读物，这反而是优点——门槛低。

2. 这个问题值不值得统计学家进入工作？¶

论证：

(i) 科学重要性：天文学界确实在乎引用影响力——它直接影响基金、职位和学术声誉。arXiv 是天文社区阅读新论文的主要渠道，因此其可见性机制是否公平分配注意力是一个有实际意义的问题。但需注意：这个问题本身不是天文学的核心科学问题（如暗物质、星系演化），而是科学社会学/科学计量学问题。天文学界对它的关注度中等，不如对宇宙学或系外行星的关心。

(ii) 方法学空间：数据特性提出了真正的统计挑战： - 混杂控制：周末提交的论文可能在主题、作者资历、团队规模、论文类型（如数据发布 vs. 理论工作）上与工作日提交的系统性不同。本文仅做相关性分析，无法区分“组成差异”和“可见性差异”两种机制。 - 选择效应：不同期刊的 arXiv 覆盖率不同，且缺失机制可能与论文质量相关。 - 因果推断：从相关性到因果性需要更严谨的设计（如工具变量、断点回归、或匹配方法）。 - 高维混杂：论文主题（通过关键词或引用网络）、作者特征（h-index、机构）、团队规模等可能同时影响提交时间和引用。

这些挑战为统计学家提供了丰富的空间，远非“套用一个标准方法”能解决。

(iii) 社区开放性：作者群（Sharma & Desai）是天文学家，没有统计学家。方法学讨论较浅（仅使用基础非参数检验）。该领域（科学计量学）对方法学贡献的开放度中等——它更关注发现（如“周末提交劣势”）而非方法创新。但 arXiv 本身的数据（时间戳、列表位置、下载量）是公开的，且社区对更严谨的因果分析有需求（本文明确呼吁区分组成与可见性机制）。

(iv) 武器库匹配度： - very_familiar 武器：非参数统计（bootstrap、秩检验）足以复现本文分析；软件工具（Python、GitHub）足以构建分析管道；高维渐近和逆问题不直接相关。 - moderately_familiar 武器：半参数理论、M-估计理论、因果推断中的识别理论——这些正是解决本文核心局限（混杂控制、因果效应估计）所需。具体地，要区分“组成差异”和“可见性差异”，需要处理选择偏倚和混杂的因果推断方法（如工具变量、倾向得分匹配、或断点回归）。 - 缺口：研究者对因果推断的识别理论是 moderately_familiar，但本文的问题（提交时间对引用的因果效应）需要处理时间作为处理变量的特殊性（如周末 vs. 工作日是二元处理，但提交时间本身是连续的）。此外，需要熟悉科学计量学中的特定混杂结构（如论文主题的度量、作者资历的代理变量）。

明确结论：值得进入，但需从描述性统计转向因果推断。

理由：本文暴露了一个清晰的因果问题（周末提交是否导致引用降低？），且数据公开、问题直观。研究者的 moderately_familiar 武器（因果推断识别理论、半参数估计）正好可以填补本文的方法学空白。但需要先花时间熟悉天文学的数据结构（ADS、arXiv API）和领域特定的混杂因素（论文主题分类、作者特征）。武器库整体匹配度良好，缺口可通过学习科学计量学的特定混杂结构来弥补。

3. 若值得进入，研究者能做的具体问题（最多 2 条）¶

估计周末提交对引用的因果效应，控制论文主题和作者特征的混杂。用到的武器：因果推断中的识别理论（如倾向得分匹配或逆概率加权）。第一步动作：从 ADS 和 arXiv API 获取论文的 subject categories（如 astro-ph.CO, astro-ph.GA）、作者 h-index（通过 ADS 作者查询）、团队规模（作者数），构建倾向得分模型，估计周末提交的平均处理效应（ATE）。
利用 arXiv 列表位置作为工具变量，分离可见性效应与组成效应。用到的武器：因果推断中的工具变量方法。第一步动作：获取 arXiv 每日公告的完整列表（包括所有 astro-ph 论文及其位置），将“是否在列表前 10%”作为可见性的代理变量，用提交时间（周末 vs. 工作日）作为工具变量，估计可见性对引用的因果效应。

4. 下一步读什么¶

入门综述：《Statistics, Data Mining, and Machine Learning in Astronomy》（Ivezić et al., 2014/2019）——第 1-3 章介绍天文数据结构和基本统计方法，适合建立领域背景。
方法学奠基论文：
Dietrich (2008)：arXiv 列表位置与引用的关系，是本文的起点。
Haque & Ginsparg (2009)：确认位置效应并证明其独立于论文质量，是因果推断的经典案例。
公开数据集：本文的 GitHub 仓库（https://github.com/chirag003214/astroph-weekday-citations）包含分析管道和缓存数据，可直接复现并扩展。此外，arXiv API 和 NASA ADS API 均可免费访问，可自行构建更大样本。

七、术语小抄¶

英文术语	中文	一句话解释
arXiv preprint	arXiv 预印本	学者在正式发表前上传到 arXiv 的论文草稿，附时间戳，是社区阅读的主要来源。
NASA ADS	天体物理数据系统	天文学文献数据库，提供论文元数据、引用数、全文链接。
bibcode	文献标识码	ADS 中每篇论文的唯一标识符，如 `2023MNRAS.520.1234S`。
citation distribution	引用分布	一篇论文被引次数的分布，天文学中高度右偏（幂律）。
median	中位数	排序后位于中间的值，比均值更稳健于极端值。
bootstrap confidence interval	自助法置信区间	通过重采样估计统计量不确定性的方法，不依赖分布假设。
Kruskal–Wallis test	克鲁斯卡尔-沃利斯检验	非参数单因素方差分析，比较多个组的中位数是否相同。
Mann–Whitney U test	曼-惠特尼 U 检验	非参数两样本检验，比较两组分布是否相同。
Holm correction	霍尔姆校正	多重比较时控制族系错误率的方法，比 Bonferroni 更宽松。
announcement batch	公告批次	arXiv 每天 20:00 ET 发布一次的新论文列表。
visibility effect	可见性效应	论文在 arXiv 列表中的位置或批次大小影响被阅读和引用的概率。
selection effect	选择效应	样本选择机制导致的系统性偏倚，如不同期刊的 arXiv 覆盖率不同。
Malmquist bias	马尔姆奎斯特偏倚	天文学中因亮度限制导致样本偏向更亮天体的偏倚，本文未直接涉及但属于领域常识。
power-law distribution	幂律分布	尾部很重的分布，如引用分布：少数论文获得绝大多数引用。
UTC / US Eastern Time	协调世界时 / 美国东部时间	arXiv 时间戳为 UTC，需转换为 US Eastern Time 以匹配截止时间规则。

Maintained by 陈星宇 · Homepage · Source on GitHub