当前位置：首页 SCI 期刊数学 Biometrika(非官网)

BiometrikaSCIE

国际简称：BIOMETRIKA 参考译名：生物识别

中科院分区
2区
CiteScore分区
Q1
JCR分区
Q1

基本信息：: ISSN：0006-3444; E-ISSN：1464-3510; 是否OA：未开放; 是否预警：否; TOP期刊：是

出版信息：: 出版地区：ENGLAND; 出版商：Oxford University Press; 出版语言：English; 出版周期：Quarterly; 出版年份：1901; 研究方向：生物-生物学

评价信息：: 影响因子：2.4; H-index：105; CiteScore指数：5.5; SJR指数：3.358; SNIP指数：2.563

发文数据：: Gold OA文章占比：14.67%; 研究类文章占比：100.00%; 年发文量：70; 自引率：0.0370...; 开源占比：0.0927; 出版撤稿占比：0; 出版国人文章占比：0.1; OA被引用占比：0.0981...

投稿咨询加急见刊

英文简介期刊介绍 CiteScore数据中科院SCI分区 JCR分区发文数据常见问题

英文简介Biometrika期刊介绍

Biometrika is primarily a journal of statistics in which emphasis is placed on papers containing original theoretical contributions of direct or potential value in applications. From time to time, papers in bordering fields are also published.

期刊简介Biometrika期刊介绍

《Biometrika》自1901出版以来，是一本数学优秀杂志。致力于发表原创科学研究结果，并为数学各个领域的原创研究提供一个展示平台，以促进数学领域的的进步。该刊鼓励先进的、清晰的阐述，从广泛的视角提供当前感兴趣的研究主题的新见解，或审查多年来某个重要领域的所有重要发展。该期刊特色在于及时报道数学领域的最新进展和新发现新突破等。该刊近一年未被列入预警期刊名单，目前已被权威数据库SCIE收录，得到了广泛的认可。

该期刊投稿重要关注点：

预计审稿时间：较慢,6-12周
国际TOP期刊
数学
MATHEMATICAL & COMPUTATIONAL BIOLOGY
SCIE
中科院2区
非预警

Cite Score数据（2024年最新版）Biometrika Cite Score数据

CiteScore：5.5
SJR：3.358
SNIP：2.563

学科类别	分区	排名	百分位
大类：Mathematics 小类：General Mathematics	Q1	21 / 399	94%
大类：Mathematics 小类：Statistics and Probability	Q1	24 / 278	91%
大类：Mathematics 小类：Agricultural and Biological Sciences (miscellaneous)	Q1	24 / 193	87%
大类：Mathematics 小类：Applied Mathematics	Q1	79 / 635	87%
大类：Mathematics 小类：Statistics, Probability and Uncertainty	Q1	22 / 168	87%
大类：Mathematics 小类：General Agricultural and Biological Sciences	Q1	36 / 221	83%

CiteScore 是由Elsevier(爱思唯尔)推出的另一种评价期刊影响力的文献计量指标。反映出一家期刊近期发表论文的年篇均引用次数。CiteScore以Scopus数据库中收集的引文为基础，针对的是前四年发表的论文的引文。CiteScore的意义在于，它可以为学术界提供一种新的、更全面、更客观地评价期刊影响力的方法，而不仅仅是通过影响因子(IF)这一单一指标来评价。

历年Cite Score趋势图

中科院SCI分区Biometrika 中科院分区

中科院 2023年12月升级版 综述期刊：否 Top期刊：否

大类学科	分区	小类学科	分区
数学	2区	MATHEMATICAL & COMPUTATIONAL BIOLOGY 数学与计算生物学 BIOLOGY 生物学 STATISTICS & PROBABILITY 统计学与概率论	1区 2区 2区

中科院分区表 是以客观数据为基础，运用科学计量学方法对国际、国内学术期刊依据影响力进行等级划分的期刊评价标准。它为我国科研、教育机构的管理人员、科研工作者提供了一份评价国际学术期刊影响力的参考数据，得到了全国各地高校、科研机构的广泛认可。

中科院分区表 将所有期刊按照一定指标划分为1区、2区、3区、4区四个层次，类似于“优、良、及格”等。最开始，这个分区只是为了方便图书管理及图书情报领域的研究和期刊评估。之后中科院分区逐步发展成为了一种评价学术期刊质量的重要工具。

历年中科院分区趋势图

JCR分区Biometrika JCR分区

2023-2024 年最新版

按JIF指标学科分区	收录子集	分区	排名	百分位
学科：BIOLOGY	SCIE	Q2	39 / 109	64.7%
学科：MATHEMATICAL & COMPUTATIONAL BIOLOGY	SCIE	Q2	24 / 65	63.8%
学科：STATISTICS & PROBABILITY	SCIE	Q1	22 / 168	87.2%

按JCI指标学科分区	收录子集	分区	排名	百分位
学科：BIOLOGY	SCIE	Q1	24 / 109	78.44%
学科：MATHEMATICAL & COMPUTATIONAL BIOLOGY	SCIE	Q2	17 / 65	74.62%
学科：STATISTICS & PROBABILITY	SCIE	Q1	23 / 168	86.61%

JCR分区的优势在于它可以帮助读者对学术文献质量进行评估。不同学科的文章引用量可能存在较大的差异，此时单独依靠影响因子(IF)评价期刊的质量可能是存在一定问题的。因此，JCR将期刊按照学科门类和影响因子分为不同的分区，这样读者可以根据自己的研究领域和需求选择合适的期刊。

历年影响因子趋势图

发文数据

2023-2024 年国家/地区发文量统计

国家/地区数量
USA148
England30
CHINA MAINLAND29
Italy13
Canada12
GERMANY (FED REP GER)9
Switzerland9
Belgium8
Australia6
France4

本刊中国学者近年发表论文

1、Linearized maximum rank correlation estimation
Author: Shen, Guohao; Chen, Kani; Huang, Jian; Lin, Yuanyuan

Journal: BIOMETRIKA. 2023; Vol. 110, Issue 1, pp. 187-203. DOI: 10.1093/biomet/asac027
2、Response best-subset selector for multivariate regression with high-dimensional response variables
Author: Hu, Jianhua; Huang, Jian; Liu, Xiaoqian; Liu, Xu

Journal: BIOMETRIKA. 2023; Vol. 110, Issue 1, pp. 205-223. DOI: 10.1093/biomet/asac037
3、Functional linear regression for discretely observed data: from ideal to reality
Author: Zhou, Hang; Yao, Fang; Zhang, Huiming

Journal: BIOMETRIKA. 2023; Vol. 110, Issue 2, pp. -. DOI: 10.1093/biomet/asac053
4、An instrumental variable method for point processes: generalized Wald estimation based on deconvolution
Author: Jiang, Zhichao; Chen, Shizhe; Ding, Peng

Journal: BIOMETRIKA. 2023; Vol. , Issue , pp. -. DOI: 10.1093/biomet/asad005
5、A robust fusion-extraction procedure with summary statistics in the presence of biased sources
Author: Wang, Ruoyu; Wang, Qihua; Miao, Wang

Journal: BIOMETRIKA. 2023; Vol. , Issue , pp. -. DOI: 10.1093/biomet/asad013
6、Counting process-based dimension reduction methods for censored outcomes.
Author: Sun Q¹, Zhu R², Wang T³, Zeng D⁴.

Journal: Biometrika. 2019 Mar;106(1):181-196. doi: 10.1093/biomet/asy064. Epub 2019 Jan 7.
7、Differential Markov random field analysis with an application to detecting differential microbial community networks.
Author: Cai TT¹, Li H², Ma J², Xia Y³.

Journal: Biometrika. 2019 Jun;106(2):401-416. doi: 10.1093/biomet/asz012. Epub 2019 Apr 22.
8、Estimation of a partially linear additive model for data from an outcome-dependent sampling design with a continuous outcome
Author: gyqin

Journal: BIOMETRIKA, 2016.