搭建研究模型前的核心准备工作
正式开始搭建模型之前，必须做好以下四项基础准备工作，否则会导致方向偏差、适配性不足等问题的出现。
- 确定研究问题类型：不同的研究类型会对应不同的模型结构，探索性研究适合建立开放、可迭代的质性模型，解释性研究适合关注变量之间因果关系的量化模型，预测性研究需要加入更多的动态调整参数的预测类模型。
- 梳理领域研究基础：对同主题已有的成熟模型、普遍认可的变量关系进行系统的盘点，优先参考顶刊、高被引论文的模型框架，避免重复验证已经被证伪的关系，找到自身研究的创新切入点。
- 匹配研究范式：量化研究范式要求模型可以被测量、可以被重复，需要事先确定变量的测量方式；质性研究范式要求模型逻辑自洽、能解释机制，不需要过分追求数理结构；混合研究范式需要确定量化和质性部分的逻辑衔接关系。
- 界定模型适用边界：事先确定模型适用的场景、群体、条件限制，防止后面出现模型泛化过度、结论不可靠的情况。
从前期准备到落地应用的研究模型搭建5步流程图
研究模型搭建的5个核心步骤
步骤1：确定核心变量与维度划分
变量是研究模型的基本构成单位，这一步要完成变量分类、操作化定义、维度拆分这三个主要工作
（1）区分变量类型
根据变量在研究中所起的作用，可以将变量分为4类，以免后面混淆变量之间的关系
- 核心变量：包括自变量（主动变化的原因变量）和因变量（被影响的结果变量），是研究的核心分析对象；
- 中介变量：解释自变量影响因变量的中间过程，即「X通过什么路径影响Y」；
- 调节变量：改变自变量与因变量关系的强度或方向，即「X对Y的影响在什么情况下会变化」；
- 控制变量：可能影响因变量但不属于研究核心关注的变量，比如研究消费者购买意愿时的性别、年龄、收入等，需要在模型中加以控制以排除干扰。
很多新手会把调节变量和中介变量弄混，这里给大家举一个消费者购买意愿研究的真实案例，如果研究的是价格敏感度对促销力度、购买意愿的影响，那么价格敏感度就是调节变量；如果研究的是促销力度通过提高感知价值来影响购买意愿，那么感知价值就是中介变量。
（2）变量的操作性定义
抽象概念不能直接用来研究，必须将其转化为可以测量、可以观察的具体指标，这个过程就是操作性定义。常用的方法有三种：
- 参考成熟量表：优先选择同领域研究中广泛使用的量表题项，比如测量感知价值可以参考Sweeney & Soutar的PERVAL量表，保证测量的信效度；
- 质性预调研：如果没有成熟的量表，可以通过深度访谈、焦点小组来收集用户对于该概念的认知，从而得出核心的测量维度；
- 专家访谈：请3-5位领域专家对测量指标的合理性进行评审，修改不合理的题项。
这里给出一个可以直接使用的变量梳理模板：
步骤2：建立变量关系假设
研究假设是对变量之间关系的一种预设，必须具备可证伪性、有理论依据、表述清楚这三个条件。
（1）假设的推导逻辑
- 基于理论推导：从已有的理论、领域共识出发来推导变量之间的影响方向，例如根据计划行为理论，态度正向影响行为意向，所以可以提出“感知价值正向影响购买意愿”的假设；
- 基于现实观察：结合实践场景中真实存在的现象来补充一些没有经过验证的关系假设，例如在直播场景中用户更容易冲动消费，就可以提出“直播场景正向调节感知价值和购买意愿的关系”的假设。
（2）假设的撰写规范
不同的变量关系有不同的表述方式，要明确区分关系类型，不能含糊其辞。
- 相关关系：A和B之间存在显著的正相关或者负相关；
- 因果关系：A正向或者负向影响B；
- 中介作用：M在A对B的影响中起到中介作用；
- 调节作用：M正向或者负向调节A和B的关系，即M越高，A对B的影响越强或者越弱。
（3）可证伪性判断标准
合格的假设要能够被数据检验出是否正确，以下为正反两例。
- ✅ 正面示例：促销力度每增加1个单位，消费者的购买意愿就增加0.3个单位（可以用回归分析来检验系数是否显著）；
- ❌ 反面示例：促销力度会影响消费者的购买意愿（表述不清，无法证伪）。
这里给出一个可以直接使用的假设校验checklist：
□ 所有的假设都有理论或者现实依据
□ 假设表述清楚，说明了变量之间关系的方向和类型
□ 假设具有可证伪性，可以被数据所检验
□ 假设涵盖了研究的主要问题，没有无关的假设
□ 假设之间没有逻辑上的矛盾
步骤3：绘制模型初步框架
模型框架是变量关系的可视化呈现，要清楚、规范、符合学术标准。
（1）框架呈现要求
所有的变量名称必须与前面界定的一致，变量之间的影响路径用箭头表示，箭头旁边注明对应的假设编号（H1、H2等），中介变量、调节变量、控制变量用不同的形状或者颜色来区分，便于识别。
（2）常见框架结构
根据研究的复杂程度选择合适的框架结构
- 单路径链式模型：适合于研究一个自变量对一个因变量的影响，结构简单，逻辑清楚，适合于初学者使用；
- 多自变量平行模型：适合于研究多个自变量对同一个因变量的独立影响，可以同时比较不同的因素的影响强度；
- 复杂中介调节模型：适合于包含多个中介、调节变量的机制研究，可以清楚地展示出变量之间复杂的作用路径。
单路径链式、多自变量平行、中介调节三类常见研究模型结构示例
（3）常见问题规避
- 变量过多：变量的数量要和研究问题相匹配，一般核心变量不超过6个，否则会导致逻辑混乱；
- 关系模糊：每一个箭头都必须对应一个明确的研究假设，没有无假设的路径；
- 边界过泛：模型所覆盖的范围应该与研究问题一致，不能把超出研究范围的变量和关系加入进来。
步骤4：模型验证与修正
初步建立起来的模型要经过数据的检验才能确定其是否合理，根据研究类型的不同，检验的方法也有所不同
（1）量化模型验证方法
量化模型要经过信度检验、效度检验、拟合度检验、路径系数显著性检验这四个过程，各个指标的判定标准参照《社会研究方法》第五版，如下表所示。
（2）质性模型验证方法
扎根理论等质性模型不需要数理检验，主要看逻辑自洽性
- 三角验证：用不同的数据源（访谈、观察、文档）来检验模型是否合理；
- 成员检验：把模型展示给研究对象，看是否符合他们的实际体验；
- 专家评审：请领域专家对模型的逻辑、解释力进行评审，调整不合理的部分。
（3）修正原则
- 不违背核心研究问题：所有的调整都必须围绕核心研究问题进行，不能因为拟合数据而偏离研究初衷；
- 优先调整路径而不是新增变量：如果模型拟合不好，首先应该调整变量之间的路径关系，而不是随意地增加新的变量；
- 保留理论价值高的不显著路径：如果某条路径有明确的理论支持但是结果不显著，不要刻意删除，可以在讨论部分解释不显著的原因，给以后的研究提供参考。
步骤5：确定模型的解释和应用规则
模型验证完毕之后，必须明确模型的解释以及应用的规则，否则后面的使用者会产生误解。
- 模型结果解释：对每一个路径的实际意义进行解释，解释与假设一致或者矛盾的原因，尤其是不显著的路径要说明可能的影响因素；
- 应用场景说明：明确模型适用的场景、人群、边界限制，比如「本模型仅适用于快消品行业的直播购物场景，不适用于耐用消费品、线下购物场景」；
- 局限性说明：坦诚模型存在的不足，比如样本量较小、仅覆盖了部分变量等，说明未来可优化的方向。
不同类型研究的模型搭建方法差异
我们整理出3类主流研究模型的适配场景对比表，回归模型适合变量关系明确的验证性研究、结构方程模型适合包含潜变量的复杂路径分析、扎根理论模型适合没有明确预设的探索性研究，大家可以直接对照自己的研究类型选择：
量化研究模型搭建要点
- 优先使用成熟的量表和经典模型，减少变量自定义的比例，保证测量的信效度；
- 提前估计样本量的需求，回归模型样本量至少为变量数的10倍，结构方程模型样本量至少为题项数的5-10倍，保证后面验证的统计效力；
- 提前规划好数据分析的方法，避免出现模型搭建完成后无法用现有数据验证的情况。
质性研究模型搭建要点
- 可以先搭建初步的框架，然后根据调研数据进行迭代调整，不需要一开始就追求完美；
- 重点突出过程逻辑、机制解释，不需要追求数理结构，只要能够清楚地表现出变量之间的关系就可以；
- 扎根理论模型的建立参照斯特劳斯经典操作框架，依照开放式编码、主轴编码、选择性编码这三个阶段的编码过程，逐步找出核心范畴以及它们之间的联系。
混合研究模型搭建要点
- 确定量化部分和质性部分之间的逻辑联系，可以先通过质性研究得到核心变量和关系，再用量化研究来检验普适性，也可以先用量化研究找到显著的变量关系，再用质性研究来解释深层次的原因；
- 两部分模型的核心变量定义要一致，不能出现逻辑上的矛盾。
量化、质性、混合研究模型的搭建要求、适用场景、验证方式对比
研究模型搭建的常见误区与避坑指南
我们整理出新手搭建研究模型时最容易犯的10个错误，并且给出相应的解决办法，从而避免90%的常见问题。
- 过度追求复杂结构，变量远多于研究问题需要，造成逻辑混乱：避坑方案：以研究问题为中心，宁简勿繁，核心变量控制在3到6个即可，不要为了显得专业而加入无关变量。
- 完全照搬别人的模型，没有根据自己的研究问题进行调整，适应性差：避坑方案：参考别人的模型时要结合自身的研究场景、群体来调整变量和关系，补充自己的研究创新点，并且要注明原始模型的来源。
- 把调节变量当作中介变量，造成所有的假设都偏离了：避坑方案：按照中介解释过程、调节改变强度的原则来区分变量类型，不确定的时候可以参考同领域研究的变量划分方式，或者通过预验证来确定变量的作用类型。
- 假设没有可证伪性，不能用数据来检验：避坑方案：按照变量、关系方向、可测量的标准来撰写假设，避免使用可能影响、有一定关系等模糊的表述。
- 忽略控制变量的影响，造成结果失真：避坑方案：整理出同领域研究中常用到的控制变量，在模型中加以控制，或者在分析时说明控制变量的影响。
- 只关注显著路径，故意隐藏不显著的结果，造成模型失真：避坑方案：客观地呈现所有的验证结果，不显著的路径如果有理论支持的话可以保留并解释原因，刻意隐藏不显著的结果属于学术不端行为。
- 模型边界无限放大，声称适用于所有的场景，但是没有针对性的避坑方案，即明确模型的适用范围，不能过于泛化结论，适用范围越小的模型一般针对性越强、解释力越高。
8.变量操作性定义不清，不能准确测量避坑方案：首选成熟量表的操作性定义，自制测量题项要经过预调研和专家评审，保证变量可以准确测量。
9.路径没有理论依据，完全是主观臆断避坑方案：所有的变量关系都必须有理论或者现实依据，不能凭空假设不存在的关系。
10.模型验证不通过就直接推翻全部框架避坑方案：先检查变量测量、样本量、数据质量等问题，如果数据没有问题，可以调整路径、删除不适合的变量或者缩小模型的适用范围，不需要完全推翻。
这里给出一个可以直接使用的适配性自查表，在搭建完之后可以一一对照：
□ 模型核心变量与研究问题完全一致，没有无关变量
□ 所有的变量关系都有理论或者现实依据
□ 模型类型与研究范式、研究类型相匹配
□ 变量的操作性定义清楚，可以测量/观测
□ 所有的假设都具有可证伪性，表述清楚
□ 模型边界清楚，适用范围合理
□ 验证方法与模型类型相匹配，可以落地执行
□ 模型逻辑自洽，没有矛盾的关系假设
真实案例参考：消费者购买意愿研究模型搭建全过程
某高校管理学研究生小周在开题阶段搭建消费者购买意愿研究模型时，初期混淆了调节变量和中介变量，他原本假设价格敏感度在促销力度对购买意愿的影响中起中介作用，但是预调研数据显示该路径完全不显著，所有的假设都偏离了预期。
后来他用变量关系梳理工具重新梳理了变量逻辑，发现价格敏感度是影响促销力度和购买意愿关系强度的变量，应该作为调节变量而不是中介变量，并且补充了感知价值作为中介变量来解释促销力度影响购买意愿的中间过程，调整后用结构方程模型进行验证，最终Cronbach's α系数为0.82，AVE均大于0.5，CFI=0.93，RMSEA=0.06，所有主要路径均显著，顺利通过开题。
以下是他的错误修改前后对照记录：
常见问题
共 4 个问题，点击展开查看专业解答
- 核心解答与操作要点
可以，先从明确研究问题、参考同领域成熟模型入手，先完成简易框架搭建，再逐步优化变量逻辑和验证环节，不需要一开始就追求复杂的数理结构。
- 核心解答与操作要点
不一定，量化研究一般需要数理结构来支撑变量之间的关系，质性研究的模型（扎根理论模型、过程机制模型）可以用逻辑框架来呈现，关键在于匹配研究目的和数据类型。
- 核心解答与操作要点
首先检查变量测量是否准确、样本量是否足够，如果数据没有问题，可以改变变量之间的关系假设，删除不适合的变量，或者缩小模型的适用范围，不需要完全推翻原来的框架。
- 核心解答与操作要点
直接照搬别人的模型而不注明出处就是学术不端，如果在此基础上根据自己的研究问题对变量进行调整，并且添加新的关系假设，那么这种行为就是合理的模型改进，但是必须明确注明原始模型的出处。
本文只供参考、学习使用，不同的学科研究模型搭建要依照领域规范进行调整，具体要求请以导师及学校的规定为准。