作为世界范围内被普遍使用的期刊定量评价指标，期刊影响因子（Impact Factor – IF）和另一个期刊评价的指标特征因子（Eigenfactor，包含了特征因子积分（EigenFactor Score – EF）和文章影响积分（Article Influence Score – AI））在以前的文章中都分别阐述过，这篇文章则关注与两者之间的区别。
首先是引文统计年限范围的问题。影响因子作为最常见的影响力指标，使用的是期刊引证报告（JCR）提供的两年期有效的文章引用数量做为数据，若刊物的出版周期较长，则相当一部分的引文因为文献老化(超过2年)而没有被统计，即没有参与影响因子的计算，从而降低了影响因子。此外，以两年期的论文和引证来计算影响因子也难以较客观地反映引证规律，并由此造成同种期刊在不同年份的影响因子波动较大。虽然近年也有五年期的影响因子，但最常见的还是两年期影响因子；特征因子基本数据来源同样为期刊引证报告（JCR），数据来源使用五年有效数据能更全面地反映在引文产生时间上各具特点的不同学科论文的被引情况，对于需要较长时间才能被引用的学科文献来说 ,较长的引文时间段能充分体现其被引情况，提供更加有意义的结果。同时也能客观地反映期刊论文的引用高峰年份[1]。
第二个差异是算法和引文来源以及强度。影响因子虽然计算方法简单且易于理解，但它只直接计算引用的总数，不排除期刊的自引，不考虑每条引文的价值 ,忽视引文所在期刊的质量，因此在用途上更适合做为期刊普及程度和人气的指标；特征因子的计算则将期刊的声望和引用强度纳入算法中，例如被声誉高期刊文章引用将具有比低层级期刊更大的影响，又或是一篇文章中的引用较精简，则其中的引文则比一篇拥有大量引用的文章中的引文更具有重要性，并且特征因子也忽略不计自我引用的情况，因此特征因子在用途上更适合做为期刊声望和可信度的指标。
当然特征因子的不足之处也很明显。首先它的算法本身就决定了影响力高的期刊群的特征因子高而影响力低的期刊群的特征因子低。这样就导致了在特征因子分值比较低的情况下，各个期刊之间的离散程度很小，各个期刊的特征因子不好区分开来。同时特征因子的算法比较复杂，数据封闭性比较强，计算结果不好进行第三方检验，也难免会让人担心它的准确度。
随着科学的不断进步和科学文献数据库的不断完善，用以评价期刊影响力的新指标也会不断地被提出，但很确信的是任何一个评价指标都不是完美的。关键还是在于使用者是否正确理解和合理地使用组合使用这些指标。