基于结构方程模型的传播路径效果验证

基于结构方程模型的传播路径效果验证演讲人01基于结构方程模型的传播路径效果验证02引言：传播效果验证的演进与SEM的价值引言：传播效果验证的演进与SEM的价值在传播学研究的百年历程中，"效果验证"始终是核心命题。从拉斯韦尔的"5W"模型到拉扎斯菲尔德的"两级传播"，从魔弹论到议程设置、培养理论，研究者对传播效果的理解已从线性因果转向复杂互动。然而，传统统计方法（如回归分析、路径分析）在处理传播研究中的多重中介、潜变量、测量误差等问题时，逐渐暴露出局限性：难以同时检验直接效应与间接效应、无法剥离观测误差对变量的干扰、难以整合多维度构念的测量。结构方程模型（StructuralEquationModeling,SEM）的出现，为传播路径效果验证提供了方法论突破。作为第二代统计工具，SEM通过"测量模型-结构模型"的双层框架，既可处理潜变量（如"品牌态度""传播动机"）的测量问题，又能揭示变量间的复杂路径关系。在社交媒体、健康传播、企业品牌等研究领域，SEM已成为验证传播路径"黑箱"的关键工具。本文将从理论基础、模型构建、数据处理、效果验证到案例应用，系统阐述SEM在传播路径效果验证中的全流程方法论，并结合实践经验反思其应用挑战与未来方向。03结构方程模型的理论基础与传播学适配性1SEM的核心概念与统计原理SEM是结合"因素分析"与"路径分析"的多元统计技术，其核心在于区分两类模型：-测量模型（MeasurementModel）：解决潜变量（LatentVariable）的观测问题，通过观测指标（ObservedIndicators）反映潜变量特质，数学表达式为：\(x=\Lambda_x\xi+\delta\)（外生潜变量测量模型）\(y=\Lambda_y\eta+\epsilon\)（内生潜变量测量模型）其中，\(\Lambda_x\)、\(\Lambda_y\)为因子载荷矩阵，\(\delta\)、\(\epsilon\)为测量误差。1SEM的核心概念与统计原理-结构模型（StructuralModel）：揭示潜变量间的因果关系，表达潜变量间的直接与间接效应，数学形式为：\(\eta=B\eta+\Gamma\xi+\zeta\)其中，\(B\)为内生潜变量间路径系数矩阵，\(\Gamma\)为外生潜变量对内生潜变量的路径系数矩阵，\(\zeta\)为结构模型残差。与传统方法相比，SEM的独特优势在于：①同时检验测量工具的信效度与理论假设的路径关系；②允许因变量为多个（而非单一）；③可估计中介效应、调节效应及高阶交互效应。2传播学理论与SEM的融合点传播现象的复杂性（如"信息-认知-态度-行为"的多层级传递）与SEM的"多路径-多变量"特性高度契合。以下是典型理论框架的SEM适配：2传播学理论与SEM的融合点2.1使用与满足理论：用户动机的中介路径该理论认为，用户接触媒体是为了满足特定需求（如信息、娱乐、社交），而需求的满足程度影响后续行为。SEM可构建"需求动机→媒介使用→满足感→行为意向"的链式中介模型，例如：-潜变量：信息需求（观测指标："获取新闻资讯""了解行业动态"）、社交动机（"与朋友互动""表达自我"）、微信使用时长（客观指标）、满足感（"使用体验良好""内容有价值"）、分享行为（"转发内容""评论互动"）。-路径假设：信息需求→微信使用时长（β₁=0.32，p<0.01）；微信使用时长→满足感（β₂=0.41，p<0.001）；满足感→分享行为（β₃=0.28，p<0.01）；中介效应检验（Bootstrap95%CI[0.12,0.25]）。2传播学理论与SEM的融合点2.2议程设置理论：媒体议题的效果传递机制议程设置包含"媒体议程→公众议程→政策议程"的传递链条，SEM可验证不同层级议程间的强度差异。例如，在"环保议题传播"研究中：-外生潜变量：媒体议程（"新闻报道频次""头条位置权重"）；-中间潜变量：公众认知（"公众对环境问题的关注度评分"）、公众情感（"对环境问题的担忧程度"）；-内生潜变量：政策议程（"政府环保投入金额""政策文件数量"）。通过多群组分析，可比较不同媒介类型（电视vs.微信）在"媒体议程→公众认知"路径上的系数差异（电视β=0.45vs.微信β=0.38，p<0.05）。2传播学理论与SEM的融合点2.3两级传播理论：意见领袖的路径放大效应该理论强调信息从媒体→意见领袖→普通受众的传递，SEM可检验意见领袖的中介作用。例如，在"美妆产品推广"研究中：-自变量：品牌广告曝光度（"广告投放量""社交媒体提及量"）；-中介变量：意见领袖推荐（"KOL评测数量""粉丝互动量"）；-因变量：消费者购买意愿（"购买可能性评分""推荐意愿评分"）。结果发现，意见领袖推荐的中介效应占总效应的68%（Bootstrap95%CI[0.51,0.82]），验证了"意见领袖是传播路径关键节点"的假设。3SEM在传播研究中的适用边界尽管SEM优势显著，但其应用需满足特定条件：-样本量要求：经验法则认为，样本量需为观测变量的10-20倍，且最小不低于200（Boomsma,1982）。小样本会导致参数估计偏差（如因子载荷膨胀、标准误失真）。-数据分布假设：最大似然估计（ML）要求数据呈多元正态分布；若数据严重偏态，需采用稳健ML（MLR）或加权最小二乘法（WLSMV）。-模型可识别性：需满足"t法则"（待估参数个数≤样本矩个数）和"秩条件"（结构方程的系数矩阵满秩）。不可识别模型无法得到唯一解。04传播路径SEM模型的构建步骤与关键原则1理论框架的文献驱动型搭建SEM的核心原则是"理论先于数据"，模型构建需基于扎实的文献梳理与理论推演，而非数据挖掘。具体步骤包括：1理论框架的文献驱动型搭建1.1明确研究问题与核心假设研究问题需聚焦"传播路径中的因果关系"。例如："短视频平台的信息茧房效应如何影响用户的认知多样性？"核心假设需包含变量间的直接路径（如"算法推荐强度→信息茧房程度"）和间接路径（如"信息茧房程度→认知多样性"）。1理论框架的文献驱动型搭建1.2梳理传播链条中的关键变量从传播学经典理论中提取变量，并结合研究情境细化。例如，在"健康传播效果"研究中，变量可分为：01-外生变量：信息源特征（权威性、可信度）、信息内容（科学性、通俗性）、传播渠道（短视频、图文）；02-中介变量：健康认知（知识获取、风险感知）、情感共鸣（同理心、信任感）；03-内生变量：行为改变（防护行为、健康习惯）。041理论框架的文献驱动型搭建1.3绘制初始路径概念图-路径箭头（单向箭头表示因果关系，双向箭头表示相关关系）。-观测指标（用小圆形或矩形表示，如"权威性"的观测题项"专家背书数量""机构认证标识"）；-内生潜变量（用椭圆表示，如"健康认知"）；-外生变量（用矩形表示，如"信息源权威性"）；用图形化工具（如AMOS、Mplus）绘制变量间的路径关系，明确：2变量操作化与测量工具开发变量操作化需遵循"可测量、可重复"原则，具体包括：2变量操作化与测量工具开发2.1潜变量的维度划分与题项生成潜变量需拆解为可观测的维度，每个维度对应3-5个题项。例如，"品牌态度"可分为"认知评价"（"我认为该品牌质量可靠"）、"情感倾向"（"我喜欢这个品牌"）、"行为意向"（"我愿意推荐给朋友"）三个维度，每个维度设计4个题项（共12题）。2变量操作化与测量工具开发2.2量表的选择与本土化改编优先使用成熟量表（如"传播学效果量表""消费者行为量表"），并考虑文化情境改编。例如，西方量表中的"个人主义"题项（"我追求独特性"）需调整为集体主义文化下的"群体认同"题项（"该品牌符合我的社交圈形象"）。2变量操作化与测量工具开发2.3预测试与题项纯化通过预测试（n=150-200）进行项目分析，包括：01-决断值分析：比较高分组（前27%）与低分组（后27%）在题项上的得分差异，t检验p<0.05的题项保留；02-相关系数分析：题项与总分的相关系数需>0.3，且删除后量表信度（Cronbach'sα）显著提升的题项需剔除；03-因子载荷分析：探索性因子分析（EFA）中，因子载荷<0.4或交叉载荷>0.4的题项删除。043模型设定与识别检验模型设定需明确变量间的因果方向与层级关系，识别检验则确保模型可求解。3模型设定与识别检验3.1自变量、中介变量、因变量的层级关系遵循"时间先后逻辑"与"理论逻辑"设定层级。例如，"传播内容（先）→用户认知（中）→用户行为（后）"，避免反向因果（如"用户行为→传播内容"）除非有理论支持（如"用户反馈影响内容调整"）。3模型设定与识别检验3.2路径方向的因果逻辑约束SEM中的路径箭头需基于理论假设，而非数据拟合。例如，"媒介使用时长→学业成绩"的路径需基于"时间替代假说"（媒介使用挤占学习时间），而非"学业成绩→媒介使用时长"（学业差的学生更依赖媒介娱乐）。3模型设定与识别检验3.3模型识别的t法则与秩条件检验-t法则：模型中待估参数个数（p）需≤样本矩个数（q=q(p+1)/2）。例如，5个观测变量的模型，q=(5×6)/2=15，若待估参数（因子载荷、路径系数、误差方差）为12个，则满足t法则。-秩条件检验：通过AMOS的"模型拟合"功能查看"模型是否识别"，若提示"Underidentified"，需增加路径约束（如固定误差方差为1）或删除冗余参数。4模型修正的规范与原则初始模型拟合不佳时，需基于理论而非数据修正，避免"为拟合而拟合"。4模型修正的规范与原则4.1基于理论而非数据的修正逻辑修正需有文献支持。例如，若初始模型中"信息源可信度→情感共鸣"路径不显著（p>0.05），理论提示"信息源可信度可能通过认知评价间接影响情感共鸣"，则增加"认知评价"作为中介变量，而非直接删除该路径。4模型修正的规范与原则4.2修正指数（MI）的谨慎使用MI表示"若放松某参数约束（如固定路径系数为0），模型卡方值可能下降的量"。MI>10时，可考虑添加路径，但需满足：①新路径有理论依据；②不会导致模型过度复杂（如自由度df<3）。4模型修正的规范与原则4.3模型简约性与拟合优度的平衡简约原则要求模型用最少数量的参数解释数据。例如，两个潜变量间的相关系数若不显著，可考虑删除相关路径（固定为0），但需比较修正前后的拟合指标（如CFI提升<0.01时，保留原模型）。05传播路径数据采集与预处理实务1数据收集方案设计数据质量直接影响SEM结果的可靠性，需科学设计收集方案。1数据收集方案设计1.1样本量的确定除满足"观测变量10-20倍"的经验法则外，复杂模型（如高阶因子、多群组）需更大样本。例如，含10个潜变量、30个观测变量的模型，建议样本量≥500；多群组分析中，每组样本量≥200。1数据收集方案设计1.2抽样方法的选择-随机抽样：适用于总体明确的研究（如"某高校学生社交媒体使用"），可降低抽样偏差；1-配额抽样：适用于总体未知但特征明确的研究（如"不同年龄段用户的短视频偏好"），按人口特征（年龄、性别、收入）配额；2-滚雪球抽样：适用于难以接触的群体（如"意见领袖"），但需注意样本同质性偏差。31数据收集方案设计1.3数据收集渠道的多元整合结合定量问卷与客观数据。例如，"品牌传播效果"研究中，除用户问卷（主观态度）外，可收集平台数据（如点赞量、转发量、停留时长），提高数据三角效度。2数据清洗与异常值处理原始数据常存在缺失值、极端值等问题，需系统处理。2数据清洗与异常值处理2.1缺失值机制判断与插补方法-缺失机制：通过Little'sMCAR检验判断数据是否"完全随机缺失"（p>0.05）。若MCAR成立，可采用均值/中位数插补；若"随机缺失"（MAR），采用期望最大化（EM）插补或多重插补（MI）；若"非随机缺失"（MNAR），需考虑缺失模型（如selectionmodel）。-插补原则：缺失率<5%时，直接删除样本；5%-20%时，采用插补；>20%时，需重新收集数据。2数据清洗与异常值处理2.2极端值的识别与稳健性检验-识别方法：箱线图（±1.5倍IQR为界）、Z分数（|Z|>3视为极端值）；-处理策略：若极端值为录入错误，直接修正；若为真实值，采用Winsorize处理（将极端值替换为99%分位数）或稳健估计（如M估计法）。2数据清洗与异常值处理2.3多重共线性的诊断与解决SEM中，若自变量间相关系数>0.9，可能导致参数估计不稳定。解决方法包括：①删除高度相关的变量；②合并变量（如因子分析提取公因子）；③岭回归或主成分回归。3信度与效度检验体系信度反映测量工具的稳定性，效度反映测量结果的准确性，是SEM模型有效性的前提。4.3.1内部一致性信度：Cronbach'sα与组合信度（CR）-Cronbach'sα：>0.7表示信度可接受，<0.6需修订量表；-组合信度（CR）：潜变量的CR值需>0.7，计算公式为：\(CR=\frac{(\sum\lambda_i)^2}{(\sum\lambda_i)^2+\sum\theta_{ii}}\)，其中\(\lambda_i\)为因子载荷，\(\theta_{ii}\)为测量误差方差。3信度与效度检验体系3.2聚合效度：平均方差提取量（AVE）的阈值标准AVE反映潜变量对观测变量的解释力，需>0.5。计算公式为：\(AVE=\frac{\sum\lambda_i^2}{\sum\lambda_i^2+\sum\theta_{ii}}\)。若AVE<0.5，需删除低因子载荷（<0.5）的题项。4.3.3区分效度：Fornell-Larcker准则与HTMT检验-Fornell-Larcker准则：潜变量的AVE平方根需大于其与其他潜变量的相关系数；-HTMT检验：异质-单质比（Heterotrait-MonotraitRatio）需<0.85，计算公式为：3信度与效度检验体系3.2聚合效度：平均方差提取量（AVE）的阈值标准\(HTMT=\frac{\sum_{i=1}^{p}\sum_{j=1}^{q}\frac{1}{n}\sum_{k=1}^{n}r_{ij}}{\sqrt{\sum_{i=1}^{p}\frac{1}{n}\sum_{k=1}^{n}r_{ii}\sum_{j=1}^{q}\frac{1}{n}\sum_{k=1}^{n}r_{jj}}}\)，其中p、q为不同潜变量的观测指标数。4数据分布的正态性转换ML估计要求数据呈多元正态分布，可通过以下方法检验与转换：4数据分布的正态性转换4.1偏度与峰度的统计诊断-偏度（Skewness）：绝对值>3表示严重偏态；-峰度（Kurtosis）：绝对值>10表示高峰态。4数据分布的正态性转换4.2对数转换与Box-Cox变换-对数转换：适用于右偏分布（如收入、点击量），取自然对数；-Box-Cox变换：通过λ参数确定转换形式（λ=0时为对数转换，λ=0.5时为平方根转换）。4数据分布的正态性转换4.3非正态数据下的稳健估计方法若转换后仍不满足正态性，可采用：-稳健最大似然估计（MLR）：调整标准误与卡方值，适用于非正态数据；-加权最小二乘法（WLSMV）：适用于有序分类数据（如李克特量表）。06传播路径效果验证的统计指标与解读1模型整体拟合度评价0102模型拟合度反映理论模型与实际数据的匹配程度，需结合绝对拟合、增值拟合、简约拟合三类指标综合判断。-χ²/df：卡方值与自由度的比值，<3表示拟合良好，<5表示可接受；-GFI（拟合优度指数）：>0.9表示拟合良好；-AGFI（调整拟合优度指数）：考虑模型复杂度后的GFI，>0.8表示可接受。在右侧编辑区输入内容5.1.1绝对拟合指数：χ²/df、GFI、AGFI的临界值1模型整体拟合度评价1.2增值拟合指数：NFI、TLI、CFI的增量意义-NFI（规范拟合指数）：比较假设模型与独立模型的卡方值差异，>0.9表示可接受；1-TLI（Tucker-Lewis指数）：考虑模型复杂度，>0.9表示拟合良好，>0.95表示优秀；2-CFI（比较拟合指数）：最常用的增值拟合指数，>0.9表示可接受，>0.95表示优秀。31模型整体拟合度评价1.3简约拟合指数：PNFI、PCFI的模型精简度考量-PNFI（规范简约拟合指数）：>0.5表示模型简约；-PCFI（简约比较拟合指数）：>0.5表示模型简约。1模型整体拟合度评价1.4RMSEA与SRMR的绝对误差评价-RMSEA（近似误差均方根）：<0.05表示拟合优秀，<0.08表示可接受；-SRMR（标准化残差均方根）：<0.05表示拟合良好，<0.08表示可接受。2路径系数的统计显著性与实际意义路径系数是SEM的核心输出，需从统计显著性与实际意义两方面解读。2路径系数的统计显著性与实际意义2.1标准化与非标准化系数的解读差异-非标准化系数（B）：表示自变量每增加1单位，因变量变化的绝对量，受量纲影响，仅用于模型比较；-标准化系数（β）：消除量纲影响，绝对值越大，变量间关系越强，|β|>0.1表示小效应，>0.3表示中等效应，>0.5表示大效应（Cohen,1988）。2路径系数的统计显著性与实际意义2.2p值与置信区间的假设检验逻辑-p值：<0.05表示路径系数显著不为0，拒绝原假设；-置信区间：Bootstrap95%CI不包含0表示显著，比p值更稳健（尤其在小样本时）。2路径系数的统计显著性与实际意义2.3效应量（f²）的实践价值评估效应量衡量自变量对因变量的解释力，计算公式为：\(f^2=\frac{R^2_{included}-R^2_{excluded}}{1-R^2_{included}}\)，其中\(R^2_{included}\)为包含自变量时的决定系数，\(R^2_{excluded}\)为排除自变量时的决定系数。f²=0.02表示小效应，0.15表示中等效应，0.35表示大效应。3中介效应的检验方法与流程传播路径中，"自变量→中介变量→因变量"的间接效应是核心关注点，需系统检验。3中介效应的检验方法与流程3.1Baron与Kenny的逐步回归检验传统四步法：①自变量→因变量（总效应显著）；②自变量→中介变量（a显著）；③中介变量→因变量（控制自变量后b显著）；④自变量→因变量（控制中介变量后c'不显著或减小）。但该方法仅适用于完全中介效应，且检验力较低。3中介效应的检验方法与流程3.2Bootstrap法的中介效应区间估计目前主流方法，通过重复抽样（5000次）计算间接效应的95%置信区间。若区间不包含0，则中介效应显著。例如，在"广告说服"研究中，"广告情感诉求→品牌态度→购买意愿"的间接效应为0.21，95%CI[0.15,0.28]，表明中介效应显著。3中介效应的检验方法与流程3.3有中介的中介与链式中介的识别复杂传播路径常包含多个中介变量，如"媒体内容→用户认知→用户情感→用户行为"，需检验"认知→情感"的链式中介效应。可通过Mplus的"MODELINDIRECT"命令设定，例如：IND:c'(X→M1→M2→Y)。4调节效应的拓展分析：多群组模型传播效果常受个体特征（如年龄、性别）或情境特征（如媒介类型）调节，需通过多群组SEM检验。4调节效应的拓展分析：多群组模型4.1调节变量的选择与分组依据调节变量需为类别变量（如性别、媒介类型）或连续变量（如年龄，需分组为中青年/老年）。分组需保证每组样本量≥200，且组间特征显著差异（t检验p<0.05）。4调节效应的拓展分析：多群组模型4.2结构方程模型中的多群组比较步骤-测量等值性检验：依次检验"形态等值"（因子载荷相同）、"弱等值"（截距相同）、"强等值"（误差方差相同）、"严格等值"（因子方差相同）；仅形态等值成立时，可进行路径比较；-结构等值性检验：比较组间路径系数差异，通过"Δχ²检验"（Δχ²<3.84，p>0.05表示无差异）或"ΔCFI<0.01准则"（HuBentler,1999）。4调节效应的拓展分析：多群组模型4.3跨组差异的显著性检验例如，"短视频广告效果"研究中，年轻组（18-30岁）的"情感诉求→购买意愿"路径系数为0.45，老年组（50岁以上）为0.28，ΔCFI=0.03>0.01，表明两组路径差异显著，情感诉求对年轻人的影响更强。07传播路径效果验证的案例应用与反思1案例背景：社交媒体广告传播中的路径验证为验证"短视频平台广告如何影响用户购买行为"，本研究整合AIDA模型（注意-兴趣-欲望-行动）与感知价值理论，以某美妆品牌618短视频广告为研究对象，构建传播路径模型。1案例背景：社交媒体广告传播中的路径验证1.1研究问题短视频广告的哪些特征（注意、兴趣）通过用户感知价值（欲望）影响购买行为（行动）？不同用户群体（新用户/老用户）的路径是否存在差异？1案例背景：社交媒体广告传播中的路径验证1.2理论框架-外生潜变量：广告注意（观测指标："广告跳失率""完播率"）、广告兴趣（"点赞量""评论量"）；1-中间潜变量：感知价值（功能价值："产品功效认知"；情感价值："广告带来的愉悦感"）；2-内生潜变量：购买行为（"购买转化率""客单价"）。31案例背景：社交媒体广告传播中的路径验证1.3变量操作化-广告注意：通过平台API获取客观数据（跳失率=1-完播率）；-感知价值：借鉴SweeneySoutar（2001）量表，改编为"该广告让我觉得产品物有所值"等6个题项；0103-广告兴趣：问卷测量（"我对广告内容感兴趣"5点量表）；02-购买行为：平台后台数据（购买转化率=购买人数/曝光人数）。042数据分析与模型结果2.1样本特征通过问卷星与平台数据收集，共回收有效问卷1200份，匹配后台数据后得到完整样本1000份。其中，新用户（首次购买）占40%，老用户（复购）占60%；女性占75%，男性占25%；年龄分布以18-35岁为主（82%）。2数据分析与模型结果2.2拟合指标初始模型拟合指标为：χ²/df=2.34（<3），CFI=0.96（>0.95），RMSEA=0.057（<0.08），SRMR=0.048（<0.05），拟合良好。2数据分析与模型结果2.3路径结果-直接效应：广告注意→感知价值（β=0.32，p<0.001）；广告兴趣→感知价值（β=0.41，p<0.001）；感知价值→购买行为（β=0.52，p<0.001）；01-间接效应：广告注意→购买行为（间接效应=0.32×0.52=0.17，95%CI[0.12,0.22]）；广告兴趣→购买行为（间接效应=0.41×0.52=0.21，95%CI[0.16,0.27]）；02-调节效应：多群组分析显示，老用户的"感知价值→购买行为"路径系数（β=0.61）显著高于新用户（β=0.43），ΔCFI=0.02>0.01，表明用户经验调节了该路径。033理论贡献与实践启示3.1理论贡献验证了AIDA模型在短视频广告中的适用性，同时发现"感知价值"是广告注意/兴趣转化为购买行为的核心中介，补充了"广告特征-用户感知-行为意向"的传播链条。3理论贡献与实践启示3.2实践启示-广告投放：优先提高"完播率"（注意）和"互动量"（兴趣），而非仅追求曝光量；-用户运营：对老用户强化情感价值沟通（如"会员专属优惠"），对新用户突出功能价值（如"产品成分解析"）。4案例反思：模型构建中的经验教训4.1理论整合的重要性初始模型仅包含AIDA模型，发现"广告注意→购买行为"的直接效应不显著（β=0.08，p>0.05）。整合感知价值理论后，中介效应显著，表明单一理论难以解释复杂传播现象。4案例反思：模型构建中的经验教训4.2题项设计的歧义性问题预测试中，"广告兴趣"的题项"我觉得广告很有创意"与"感知价值"的"广告带来愉悦感"存在交叉载荷（>0.4）。修改为"我想了解更多产品细节"后，区分效度提升。4案例反思：模型构建中的经验教训4.3未考虑的调节变量未纳入"用户媒介素养"作为调节变量，事后分析发现，高媒介素养用户的"广告兴趣→感知价值"路径较弱（β=0.28vs.低素养用户β=0.45），提示未来需关注用户特征的调节作用。08结构方程模型在传播路径验证中的挑战与展望1当前应用的主要局限1.1样本量要求高：小样本下的估计偏差SEM的ML估计在大样本（n>500）时稳健，小样本易导致因子载荷膨胀、标准误低估。例如，n=200时，路径系数的p值可能虚低（假阳性）。1当前应用的主要局限1.2对数据分布敏感：非正态数据的处理困境若数据严重偏态（如社交平台的"转发量"分布），即使采用MLR估计，参数仍可能偏差。需结合数据转换或非参数方法（如贝叶斯SEM）。1当前应用的主要局限1.3模型设定的主观性：研究者理论偏好