美国主流媒体中的中国制造：信息处理深度模型

首先，研究检验了研究假设1，也就是ELM中的命题，提出话题相关知识和话题卷入度的交叉项能够影响信息处理深度。笔者以“信息处理深度”为回归模型的因变量来建立一个多层级回归模型。笔者将各个人类学变量（性别、年龄、教育程度、收入等）和消费种族中心主义价值观念作为第一批自变量，一系列媒介使用变量作为第二批自变量，话题卷入度和话题相关知识作为第三批自变量，两者之间的交叉项作为第四批自变量放入线性回归模型。之所以将话题相关知识与话题卷入度的交叉项作为单独的一批放入线性回归模型，是为了更清晰地辨认出话题相关知识是否有独立的效果，以便解答前文提出的研究问题。

此外，本书作者仔细检查了Cook distance、df beta和线性模型残余值等统计值的大小，以检验模型数据中是否存在例外数据点（outlier），或者对统计结果能够产生重大影响的数据点。通过分析，研究一共找到了六个例外数据点，六个数据点都处在离开线性模型预测值两个标准差以外。六个例外数据点都被排除在后续分析之外。然后，研究检验了线性回归模型的四个基本假设。具体而言，笔者观察了标准化预测值（standardized prediction）与残余值的图形是否呈现特定的形态。为了检验独立性假设，笔者对数据做了Durbin Watson测试。关于Homoscedasticity测试，笔者采用了Breusch-Pagan/Cook-Weisberg测试（开方=1.86，p=.17＞.05）。上述模型统计上并不显著，表明线性模型不存在Homoscedasticity的问题。此外笔者观察了数据的正态概率分布图（Normal probability plot）来检查模型数据正态分布（Normality）的假设。最后，笔者检查了模型的VIF（变异度膨胀因子，variance inflation factor）指标，来检测变量之间的共线性。本模型的VIF指数为3.8，低于可以接受的标准（一般认为VIF小于10可以接受）。

线性回归模型的分析发现与ELM的命题一致（见表7.4）。实验对象就“中国制造”话题卷入度以及他们关于这个话题已有的知识储备两者之间的交叉项能够影响实验对象对实验材料信息的处理深度（beta=.66，p＜.05）。同样支持了ELM的理论命题，“中国制造”产品问题相关话题的卷入度和实验对象就相关话题已有的知识储备都不能独立地对信息处理的深度产生显著的影响。

表7.4　预测信息处理深度的回归模型

（续表）

Note：Standardized regression coefficient or beta are reported in this table.
*=p＜.05，**=p＜.01.
afor the variable of ethnicity，the group of whites is used as a reference group.

此外，除了ELM相关的一组关于话题相关知识和话题卷入度的变量之外，回归模型的结果还显示，人们越多从各种媒体来源接触关于“中国制造”产品质量问题的相关报道内容，他们在阅读了实验材料之后对于“中国制造”产品质量问题的信息处理也更为深入（beta=.18，p＜.05）。同时，人们越多关注媒体上关于科学技术的相关内容，他们对于“中国制造”产品质量问题的信息处理深度越低（beta=-.21，p＜.05）。

为了检验假设1并更为细致地考察话题相关知识和话题卷入度如何发生交互，影响实验对象对信息处理的深度，笔者对数据进行了单向的差异度分析（ANOVA）。具体来说，笔者将实验对象按照其在这两个变量所获得的值的高低，分为三组。其中，在两个变量上的值最高和最低组被保留下来（作为高低两组）进行分析，而中间组则被排除在分析之外以便令该变量在组间的变异程度更高。笔者对ANOVA模型的基本假设进行了检验，然后进行2（低话题卷入度、高话题卷入度）×2（高话题知识储备、低话题知识储备）四组的因子变异度分析（结果参见表7.5和表7.6）。

表7.5　因子变异度分析(www.xing528.com)

Note：The means of elaboration depth in each of the four conditions are presented.Standard deviations are in the parenthesis.

表7.6　ANOVA模型检验数据

Note：R square=.13，Adjusted R square=.11

表7.5的数据分析显示，平均来看，那些对于“中国制造”产品质量问题已经有比较多相关知识储备，并且对于“中国制造”话题的卷入程度比较高的实验对象，在阅读相关的实验材料之后，认知信息处理的深度最高。表7.6的数据还显示，ANOVA模型整体上看，话题相关知识与话题卷入度两个变量的交叉项，以及话题卷入度变量的主效果都与信息认知处理的深度之间存在统计上显著的关系。

具体考察数据的变化，图7.3的分析显示，当话题卷入度较低时，那些话题相关知识较低的实验对象对信息的处理深度高于那些话题相关知识较高的对象。当人们就“中国制造”话题的卷入程度提高，那些就此话题相关知识更多的实验对象有能力并愿意对阅读信息进行更为深入全面的认知处理。随着人们对“中国制造”产品质量话题的卷入程度不断提高，就“中国制造”产品质量相关话题有比较多相关知识储备的人对信息认知处理的深度迅速增加。但同样情况下，那些就同一话题已有知识较少的实验对象，他们信息处理深度的增长速度则要缓慢很多。

图7.3　不同情况信息处理深度的平均值

总体看来，上述研究发现支持了研究假设1。针对研究问题2，研究发现，话题相关知识和话题卷入度都无法独立地影响实验对象对信息进行认知处理的深度。