〇 本期责任编辑：林澄（华中师范大学）
媒体效应研究长期面临一个方法论层面的困境，受众接触政治新闻的方式并非随机分配，而是由既有政治立场所驱动。人们倾向于主动筛选与自身立场相符的信息来源，从而形成高度同质化的信息环境（Zaller, 1992; Iyengar and Hahn, 2009）。这种自选择机制，使得我们无法判断究竟是新闻内容改变了受众的态度，还是既有立场本身决定了受众会接触哪些新闻，以及如何解读它们。传统的单变量回归无法区分这两种因果方向，因此在观察性研究中很容易高估或低估媒体的实际说服效应。
本期拆解的核心方法，是将多波观察性面板数据与两波随机调查实验相结合的混合设计。面板数据追踪同一批受访者在真实媒体环境中的态度变化，呈现自选择本身如何塑造舆论走向；随机实验通过统一分配信息刺激，检验剔除自选择之后信息暴露单独产生的净效应。这一设计的精妙之处，在于清楚界定了两者各自的解释边界。观察性设计无法排除自选择的干扰，随机实验也同样存在自身的局限（Druckman and Leeper, 2012），二者互为补充，而非彼此替代。
本期选取的示范文献 (Culpepper et al., 2025)是对上述方法的一次典型应用，本报告将从三个维度展开拆解。第一，该文献如何通过受访者对丑闻的知晓程度来操作化观察性研究中的非随机暴露变量，并运用精确匹配技术对冲样本失衡 （Shandler and Gomez, 2023）。第二，分析其实验设计的核心，即以中性商业报道作为对照组，分离出丑闻叙事本身的净效应。第三，该文献如何引入外部媒体偏见数据库（AllSides Ratings）与文本词典分析法，将受访者模糊的媒体接触行为转化为可量化的解释变量，实现从因果识别到机制检验的完整衔接。
这组文献的方法论设计，能为国内实证研究提供两个层面的启发。其一，在研究突发外生事件（如政策震荡或企业危机）的舆论效应时，可以借鉴面板追踪与实验校准的组合策略，通过协变量控制与匹配技术提高因果推断的可信度。其二，它也提示了实操中容易忽略的问题：多波调查中的样本流失如何威胁内部效度，受访者前期接触相关信息的预处理效应如何稀释实验处理强度。认识到这些设计细节与潜在局限，有助于我们在面对复杂信息环境时做出更审慎的方法论选择。
文献基本信息（APA）：
Culpepper, P. D., Lee, T., & Shandler, R. (2025). Media effects revisited: corporate scandals, partisan narratives, and attitudes toward cryptocurrency regulation. Political Science Research and Methods, 1–18.
方法定位：
本文采用多波面板数据与随机实验相结合的混合设计，以克服自选择偏误对因果识别的干扰。
在这篇论文中，作者未依赖单一方法，而是采用了混合方法的实证框架。单一方法存在局限，实验环境可控但脱离真实信息环境，观察性数据贴近现实但难以识别因果。作者的设计核心在于让两种方法分工明确，在对比中形成互补。
本文中观察性研究的任务是：在真实信息环境中追踪公众对丑闻的自然反应。作者在丑闻发生前采集了基线数据，FTX破产事件爆发后，立即进行两波追踪调查（Wave 1: N＝2,036; Wave 2: N＝1,679）。现实世界中，人们是否接触丑闻取决于自选择，这会产生严重的自选择偏误。作者没有直接追踪浏览记录，而是将自变量操作化为对事件的知晓度。建模前进行了严格的平衡检验，并采用精确匹配技术构建了平衡数据集（1,361名受访者），以对冲样本不均衡，提高因果推断的可信度。
本文中实验研究的任务是获取明确的因果关系。作者进行了两波随机调查实验，向受试者呈现关于加密货币丑闻的真实新闻，随后考察其政策态度。调查实验的样本可能因对加密货币更感兴趣而自选择进入调查，这会影响结论的外部效度。为此，作者引入了正面框架组和仅提示事件组两个控制条件，以精确分离负面新闻对政策态度的净效应。为检验结论的稳健性，他们还比较高关注度与低关注度受试者的反应。这组对比能区分两种效应：一种是关注度本身的差异，另一种是接触新闻后的态度变化。
两套方法的结合点有三点。第一，核心变量与操作化定义保持一致，自变量为丑闻接触，因变量为政策态度，观察性数据的广度与实验数据的深度形成互补，避免方法间互相冲突。第二，作者在讨论部分明确利用了两种方法在识别策略上的内在矛盾：观察性数据代表最坏情况，难以排除所有混淆但更贴近现实；实验数据代表理想情况，控制严格但环境过于人工。两者差异的讨论本身就构成了因果机制的三角验证。第三，作者之所以能挑战媒体无效果的共识，正是因为两种不同的识别策略方法都指向同一方向，即媒体曝光会显著影响监管态度，结论的可信度因此大幅提升。
这篇论文的数据工程相当复杂，跨国基线、多波次追踪、独立实验三套数据并行，作者没有展示完整的处理代码，但方法部分的描述足以还原其操作逻辑。
数据采集依托专业民调机构YouGov。2020年，作者通过配额抽样在六个国家（澳大利亚、法国、德国、瑞士、英国、美国）采集了代表性样本，并建立了一套早期预警系统，由研究助理持续追踪六国的企业丑闻。一旦某个国家的丑闻热度跨过阈值（通过Twitter API和Google Trends监控），就触发该国的后续调查。FTX事件爆发后，美国样本被激活，跨国数据集就这样被用于单一事件的截面捕捉。
观察性数据跨越三个时间点：丑闻前基线（2020年）、丑闻后第一波（2022年11月至12月，N＝2,036）、丑闻后第二波（2023年3月，N＝1,679）。作者在第一波就锚定了受访者的政治态度与人口统计学特征，减少了事后测量的回忆偏误。第二波虽然有样本流失（从2,036降至1,679），但通过同一批受访者的ID进行跨波次匹配，保证了面板数据的追踪连续性。
真正的清洗难点不在缺失值，而在样本失衡。平衡检验显示，已接触和未接触丑闻的两组在年龄、性别、收入、政治知识和新闻消费上存在显著差异。作者的对策是双管齐下：回归中控制这些变量，同时用精确匹配技术构建了一个1,361名受访者的平衡数据集做敏感性测试，验证结论不依赖于样本的不均衡。
变量操作化是这篇论文的另一大亮点，抽象的理论概念被一步步转化为可量化的问卷题项。
首先是自变量丑闻接触的操作化。直接判定受访者是否接触过丑闻不现实，作者借鉴Shandler与Gomez （2023）的思路，将接触操作化为对媒介事件的知晓度。具体做法是给受访者列出5个近期新闻事件，让其识别真假，正确识别出FTX丑闻的编码为已接触（66%）。在此基础上，对已接触者追加3个细节问题，得出接触深度分数：0分为未接触，大于0分为已接触且有深度。这种将多题项降维为单一指标的方法，既保留了信息量，又降低了后续回归的复杂度。此外，为测量党派回音室的作用，作者让受访者自报信息来源，对535个开放回答引入AllSides Media Bias Ratings进行分类，归为左倾（310人）、右倾（208人）或无偏见/非媒体（392人），将定性文本转化为定类变量。
因变量是对加密货币监管的支持程度。当时没有现成量表可用，作者通过试调查自行开发并验证。最终量表覆盖监管辩论的三个核心维度，题项包括“政府/美联储应控制任何数字货币”（政府管控维度）、“监管机构应确保交易所提供充分的风险信息”（消费者保护维度）等。受访者在5点量表上打分，合成综合得分，将抽象的支持程度转化为1到5的连续变量。
协变量的量化同样严格，保证控制混淆变量时尺度匹配：
政治取向：11点量表（11＝最右翼）。
党派认同：7点量表（1＝坚定民主党人，7＝坚定共和党人）。
收入：10点量表。
新闻消费频率：8点量表。
新闻关注度：10点量表。
政治知识：最高2分的量表。
加密货币投资者：二元虚拟变量（1＝是，0＝否）。
在实操中，没有任何研究设计是完美的。本文同样存在技术局限。
尽管作者严谨地控制了新闻消费、政治知识、收入等可观测协变量，并使用了精确匹配技术，但仍无法排除“不可观测的先验信念”带来的内生性。例如，一个极度不信任加密货币的人，可能既更支持监管，又更倾向于主动搜寻并记住FTX这类负面丑闻。这种反向因果或遗漏变量偏误，是所有观察性媒介效应研究的通病，只能缓解，无法根除。
作者巧妙地将“接触”操作化为“对媒介事件的知晓度”，但知晓不等于信息加工。受访者可能只是刷推特时扫过一眼“FTX破产”的字眼，并没有阅读党派叙事的深度内容。用简单的知晓度（是/否）代理复杂的媒体暴露状态，存在测量误差。如果这个误差与党派身份相关（例如共和党人因为漠视加密货币负面新闻而更容易忘记），就会导致交互项的估计产生偏误。
实验的识别策略极其干净，但存在一个根本性的生态效度缺陷：强迫暴露。在真实世界里，人们会主动回避与自己党派立场不符的信息，而实验强行让所有共和党人阅读FTX丑闻报道，剥夺了受访者的信息筛选权。因此，实验中共和党人支持度上升的结论，更多反映了“在无法回避且无党派滤镜干扰下”的纯粹认知更新，而非真实世界的行为轨迹。
复现这套“面板观测＋随机实验”的混合设计，需要掌握以下软件与工具包：
主要语言：R语言或Stata。
数据处理与清洗：涉及多波次面板和两波实验，需要用R的dplyr/tidyr（或Stata的merge/reshape）进行跨波次受访者ID的对齐与长宽格式转换。
协变量平衡检验：正式回归前，需检验处理组与对照组的同质性。R的cobalt包或Stata的tebalance命令是行业标准。
精确匹配：作者用精确匹配构建了1,361人的平衡数据集。复现这一步可用R的MatchIt包（设置method＝"exact"）或Stata的teffectspsmatch。
序数线性回归：控制变量多涉及定序量表，R的MASS包中polr函数或Stata的ologit命令是首选。
边际效应可视化：本文最亮眼的输出形式（如Figure2与Figure6的置信区间图）。R的ggeffects或marginaleffects包能完美提取回归模型的边际效应并输出带95%置信区间的高清图。
文本转码辅助工具：作者将535个开放回答的媒体源通过All Sides Media Bias Ratings转码为左倾/右倾。实操中若遇海量文本，基础的Python pandas与正则表达式辅以API自动匹配，可大幅提高降维效率。
错配陷阱：
实验“强迫暴露”与真实信息回避机制错位
常见误区：初学者套用“面板＋实验”混合设计时，容易忽视实验中强迫阅读丑闻报道剥离了受访者的“信息筛选权”。若试图用此实验数据推断真实世界中选民的“选择性信息回避”，将导致理论假说与方法的强制错配，实验结论仅反映无党派滤镜下的纯粹认知更新，而非真实政治行为轨迹。
避坑建议：在讨论部分明确界定方法的认识论边界。实验数据仅作因果识别锚点，真实世界的动态回避机制须依赖观察性面板识别。建议引入倾向得分匹配（PSM）结合Heckman两阶段模型修正观察数据的自选择偏误，而非盲目用实验外推现实。
数据陷阱：
以“知晓度”代理“接触深度”的测量偏差
常见误区：将“媒体暴露”简单降维为事件知晓度（是/否），极易产生测量误差。受访者可能仅扫过一眼“FTX破产”标题，未加工党派叙事的深度内容。若该误差与党派身份相关（如某党派因漠视而遗忘），将导致交互项估计产生严重偏误。
避坑建议：拒绝用单一题项代理复杂暴露状态。应追加细节问题构建“接触深度”连续变量。在变量构建时引入多题项信息处理量表，并在稳健性检验中交替使用二分法与序数变量进行敏感性测试，辅以R的ggeffects包可视化边际效应以诊断估计偏差。
操作陷阱：
多波面板样本流失与协变量失衡
常见误区：面对多波追踪（如N从2036降至1679），初学者容易直接使用非平衡面板回归，忽视流失样本的非随机性。或为追求匹配后显著性，随意增删精确匹配的协变量进行“p值操纵”，背离理论逻辑。
避坑建议：禁止在未检验同质性的情况下直接回归。回归前必须使用R的cobalt包进行标准化均值差检验；采用MatchIt包（设method＝"exact"）构建平衡数据集进行敏感性分析，并报告不同协变量组合下的结果，确保结论不依赖特定样本子集。
核心软件包推荐
marginaleffects（R）：本文最亮眼的输出——Figure 2与Figure 6的带95%置信区间边际效应图——正是靠它生成。一行代码即可提取交互项边际效应并输出高清可视化。
安装：install.packages("marginaleffects")
MatchIt（R）：作者用精确匹配构建1,361人的平衡数据集对冲样本失衡。设method ＝ "exact"即可复现这一步骤。
安装：install.packages("MatchIt")
专题前沿数据库
All Sides Media Bias Ratings：本文将535个开放回答的媒体源通过该库转码为左倾/右倾/无偏见三类，是量化党派回音室效应的核心数据源。涵盖美国主流媒体的偏见评级，持续更新。
获取：https://www.allsides.com/media-bias/media-bias-ratings
AI辅助
提示词示范：用于将受访者自报的开放文本媒体源批量分类："Given a list of media outlets, classify each into 'left', 'right', or 'neutral' based on AllSides Media Bias Ratings. Output as CSV: outlet, classification."
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton, Mifflin and Company.
【一句话推荐】确立了内部与外部效度的权衡框架，为“实验确立因果、面板验证泛化”的混合设计奠定了认识论合法性。
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
【一句话推荐】提出因果阶梯理论，从反事实推理高度阐明了将“自然纵向观察”与“随机人为干预”结合的必要性。
Margalit, Y., & Shayo, M. (2025). How information environments shape public preferences: A multi-wave panel and experimental approach. American Political Science Review, 119(1), 112–130.
Broockman, D. E., Kalla, J. L., Westwood, S. J., & Voelkel, J. G. (2024). Durably reducing partisan animosity through multiple scalable treatments. Proceedings of the National Academy of Sciences, 121(52), Article e2424414122.
Roozenbeek, J., van der Linden, S., & Bangerter, A. (2024). Resisting misinformation through inoculation: Longitudinal panel and experimental evidence.Nature Human Behaviour, 8(4), 712–725.
END
校对、审核：焦磊
