New！ 搜推文，找资料，用
lianxh命令：
安装：ssc install lianxh, replace
使用：lianxh 合成控制
lianxh DID + 多期, w
作者：孙法融 (北京外国语大学国际商学院)
邮箱：frederic_sun@bfsu.edu.cn
1. 简介
VOSviewer (VOSviewer) 是一款用于文献计量和科学可视化的免费开源软件，它的全称是 Visualization of Similarities viewer。这个工具主要用于帮助研究人员分析、可视化和理解学术文献、知识网络、合作关系和研究热点等信息。
2. 主要功能
- 文献计量分析：VOSviewer 能够进行多维度的文献计量分析，包括作者、关键词、引用等，帮助用户了解文献之间的关系。
- 合作网络分析：软件可以构建作者、机构或国家之间的合作网络图，呈现出合作模式和研究合作热点。
- 关键词共现分析：VOSviewer 能够展示关键词之间的共现关系，揭示出研究领域内的热门关键词和主题。
- 可视化效果：VOSviewer 提供多种图表和图谱，如网络图、热度图、演化图等，让用户更直观地理解文献和数据。
- 主题演化分析：软件能够揭示出研究领域中关键词的演化趋势，帮助用户追踪学科的发展历程。
3. 软件下载
VOSviewer 是基于 Java 编程语言开发的。用户在使用 VOSviewer 之前需要确保已经安装了 Java 运行环境 (Java Runtime Environment，JRE)。
下载并安装 Java
- 请在官网选择相应版本进行下载安装：https://www.java.com/zh-CN/
下载并安装 VOSviewer
- 请在官网选择相应版本进行下载安装：https://www.vosviewer.com/download
4. 软件使用
4.1 引文记录下载
4.1.1 基于中文数据库
在提前确定好进行文献计量的主题后，通过“高级检索”进行检索。通常而言，使用“主题“、”关键词“以及”摘要“三种方式进行检索。
选中需要的文献后，点击“导出文献”中的“Endnote”格式进行下载。
4.1.2 基于英文数据库
在 Web of Science 中，我们首先选择在 "Web of Science Core Collection" 中进行检索。同样的，使用“主题”、“关键词”以及“摘要”三个维度对相应研究主题进行检索。
需要注意的是，新版 Web of Science 中同时包含了 "Author Keywords" 与 "Keyword Plus" 两种，请根据研究需要自行选择，其区别在于：
- Author Keywords (作者关键词)：即传统意义上文章本身自带的关键词，这是由文献的作者自己提供的，用于描述他们的研究内容。
- Keyword Plus (扩展关键词)：这是由 Web of Science 数据库自动生成的关键词，基于文献的标题、摘要等信息。Keyword Plus 旨在增强文献的检索能力，为用户提供更多可能相关的文献。
在 "Export" 中选择 "Plain text file"，在 "Record Content" 中选择 "Full Record and Cited References" 并导出。
请注意：由于每个学校或机构在 Web of Science 中订阅的期刊范围不同，很有可能出现期刊检索不全或者该领域引用频率较高的文献没有被检索到的情况。因此，如有必要，请购买权限较高的账号进行检索并下载。
4.2 利用 VOSviewer 进行可视化
4.2.1 数据导入
第一步 Choose type of data：点击 "Create" 后，选择 "Create a map based on bibliographic data" 并点击 "Next"。
第二步 Choose data source：如基于国外文献数据库，请选择第一项 "Read data from bibliographic database files"；如基于国内文献数据库，请选择第二项 "Read data from reference manager files"，并点击 "Next"。
第三步 Select files：如基于国外文献数据库，请选择相应的数据库名称，并导入先前下载的引文文件。
如基于国内文献数据库，请直接选择 "Endnote" 格式进行解析。
第四步 Choose type of analysis and counting method：在此步骤中，我们需要确定 "Analyse WHAT by WHAT"。首先，在第一个 "WHAT" 中，我们需要确定分析的对象是什么，即在以下五种方式中选取一种：
- 合作关系分析 (Co-authorship)：这种分析方式关注的是作者之间的合作关系。当多个作者合作撰写了同一篇文献时，它们被视为有合作关系。合作关系分析可以构建出作者之间的合作网络图，节点代表作者，边表示合作关系。这有助于了解研究领域内的合作模式、合作热点以及研究团队之间的联系。
- 共现分析 (Co-occurrence)：共现分析旨在识别文献中关键词的共现关系。如果一篇文献中同时包含了多个关键词，这些关键词之间就有共现关系。共现分析可以帮助揭示研究领域内的主题关联，找到热门关键词以及了解研究领域的结构。
- 引用分析 (Citation)：引用分析关注的是文献之间的引用关系。当一篇文献引用了另一篇文献时，就形成了引用关系。引用分析可以构建引用网络图，其中文献是节点，引用关系是边。这有助于分析研究领域内的经典文献、高引用文献以及知识传播路径。
- 文献耦合分析 (Bibliographic coupling)：文献耦合分析通过检测多篇文献之间的共同引用文献，来衡量它们之间的关联程度。如果两篇文献都引用了相同的参考文献，就称它们之间存在文献耦合关系。这种分析方法可以帮助识别领域内的文献群组，揭示出研究领域的结构。
- 引用耦合分析 (Co-citation)：引用耦合分析基于文献被相同文献引用的情况，来衡量文献之间的关联。如果两篇文献都被同一篇文献引用，就形成了引用耦合关系。引用耦合分析可以帮助识别经常一起被引用的文献，从而揭示出研究领域内的主题关联。
在确定了第一个 "WHAT" 后，我们需要确定第二个 "WHAT"，也就是从什么维度对对象进行分析。
注：在共现分析 (或称 "关键词共现分析") 中，建议与检索时采用的关键词种类对齐。
在红框中选中相应的选项后，其余默认，直接点击 "Next" 即可。
第五步 Choose threshold：在此步骤中，我们需要确定在给定的文献集合中，关键词数量出现多少次 (及以上) 才被展示于图中。
第六步 Choose number of keywords：此步骤通常不必操作，可直接跳过。
第七步 Verify selecteed keywords：在此步骤中，软件给出了人为甄选的机会，我们可以通过手动取消勾选的方式对无关关键词进行剔除。
Total link strength：在 VOSviewer 中，"total link strength" (总链接强度) 是指网络图中两个节点之间所有链接的累积强度。节点之间的链接可以是合作关系、共现关系、引用关系等，而每条链接都有一个权重或强度值。总链接强度是指连接两个节点的所有链接的强度之和。
在不同的网络分析中，总链接强度可以具有不同的含义：
- 合作关系网络：如果是合作关系网络，总链接强度表示两个作者之间的合作次数或合作的强度。即，他们在多少篇文献中共同出现，或者合作的次数有多少。
- 共现关系网络：在共现关系网络中，总链接强度表示两个关键词共同出现的频率或次数。即，这两个关键词在多少篇文献中同时出现过。
- 引用关系网络：在引用关系网络中，总链接强度表示两篇文献之间引用的次数或强度。即，一个文献被另一个文献引用了多少次。
4.2.2 可视化呈现
VOSviewer 给出了三种可选的视图，分别为：
- Network Visualization：网络可视化是将分析结果以网络图的形式展示出来，用于呈现文献、关键词、作者等之间的关系。在网络图中，节点表示文献、关键词、作者等，边表示文献之间的合作、关键词共现、引用等关系。节点和边的位置和连接方式反映了文献之间的相互关系。通过网络可视化，用户可以更清晰地了解文献、关键词等之间的连接与结构。节点大小代表相应单位出现的频次高低；相同颜色代表一个聚类。
- Overlay Visualization：覆盖可视化是一种分析结果叠加在原始网络图上的方式，用于呈现附加信息。用户可以选择添加一些额外的信息，如发表年份、引用次数等，通过颜色、大小等视觉元素来表示。通过覆盖可视化，用户可以将更多的数据信息添加到网络图中，从而更全面地理解分析结果。其着重体现在颜色的深浅，右下角的色条代表了随着时间推移，节点颜色的不同。其中，相应节点的颜色代表了首次出现时间。
- Density Visualization：密度可视化用于显示热度分布，即某种属性在网络图中的分布情况。这种可视化方法在网络图上使用不同的颜色或渐变来表示属性的密度分布。例如，可以用颜色深浅来显示节点的引用次数，从而展示哪些节点在网络中具有较高的引用频率。通过密度可视化，用户可以更直观地了解某种属性在网络图中的分布情况。
4.2.3 可视化参数调节
在面板右侧，我们可以针对已有的可视化图像进行相应的参数调节，分为以下几个模块：Visualization/Labels/Lines/Colors/Density，此处不做赘述。
4.2.4 可视化参数调节
在面板左侧 "Analysis" 选项框中，我们可以对于分析参数进行更进一步的调整，下面对于常用的几个参数进行介绍：
Attraction/Repulsion
- Attraction (引力)：引力参数控制节点之间的吸引力程度。在网络可视化中，节点之间的吸引力表示它们彼此之间的互相吸引，有助于使节点靠近彼此。通过增加引力值，可以增强节点之间的吸引效果，使得节点更趋向于靠近一起，从而创造出更紧密的布局。
- Repulsion (斥力)：排斥力参数控制节点之间的排斥程度。在网络可视化中，节点之间的排斥力表示它们彼此之间的互相排斥，有助于避免节点过于靠近。通过增加排斥值，可以增强节点之间的排斥效果，防止节点过于密集地聚集在一起，从而保持适当的间隔。
Clustering: Resolution (分辨率)：分辨率参数可以调整聚类算法对簇的划分严格程度。较高的分辨率值会导致算法更严格地将节点划分为簇，从而产生更多但规模较小的簇。较低的分辨率值会导致算法更容易将节点划分为大的簇，从而产生较少但规模较大的簇
Minimum cluster size (最小簇群数量)：这个参数允许你设置每个簇至少包含的节点数量。VOSviewer会根据这个参数来将节点分为不同的簇，确保每个簇都有一定数量的节点。较小的最小簇群数量会产生更多但规模较小的簇，而较大的值可能会导致较少但规模较大的簇。
5. 相关推文
Note：产生如下推文列表的 Stata 命令为：
lianxh 文献, m
安装最新版lianxh命令：
ssc install lianxh, replace
[
(https://www.lianxh.cn/details/1543.html)
资源共享
- 连享会资料 ……
- 在线视频：lianxh-class.cn
- Stata 33 讲，100 万+ 播放，Stata 入门必备，公开课
- 直击面板数据模型，10 万+ 播放，白话面板模型，公开课
- … more …
- 论文复现和数据
- 主题分类
- 热门推文
尊敬的老师 / 亲爱的同学们：
连享会致力于不断优化和丰富课程内容，以确保每位学员都能获得最有价值的学习体验。为了更精准地满足您的学习需求，我们诚挚地邀请您参与到我们的课程规划中来。
请您在下面的问卷中，分享您 感兴趣的学习主题或您希望深入了解的知识领域 。您的每一条建议都是我们宝贵的资源，将直接影响到我们课程的改进和创新。
我们期待您的反馈，因为您的参与和支持是我们不断前进的动力。感谢您抽出宝贵时间，与我们共同塑造更加精彩的学习旅程！https://www.wjx.cn/vm/YgPfdsJ.aspx# 再次感谢大家宝贵的意见！
关于我们
- Stata连享会 由中山大学连玉君老师团队创办，定期分享实证分析经验。more……
- 扫码加入连享会微信群，提问交流更方便
