Page 237 - 《社会》2017年第4期
P. 237
社会· ２０１７ · ４
率，网络成员的个体背景对社交网络的政治性使用影响并不大，因此，
线上公共参与行为可能更多受到在线网络结构的作用。基于这个重要
的在线环境，我们将继续探究在线网络中群体极化又受到了哪些网络
机制的塑造。
表 ３ ： 犛犖犛 政治性使用的影响因素（加权最小二乘回归， 犖＝１０４７ ）
犛犖犛 使用频率 政治性使用频率 政治性使用的重要性
（模型 １ ） （模型 ２ ） （模型 ３ ）
犅 犛．犈 犅 犛．犈 犅 犛．犈
犛犖犛 使用频率 ——— ——— ０．０６８ （ ０．０１８ ） ０．０６１ （ ０．０１８ ）
“朋友” 犛犖犛 政治性使用频率 ——— ——— ０．３５５ （ ０．０４０ ） ０．１４８ （ ０．０２９ ）
政治性使用频率 ——— ——— ——— ——— ０．５３９ （ ０．０３５ ）
政治倾向（中立或无倾向 ＝０ ）
有明确政治倾向 ０．０７５ （ ０．１０４ ） ０．２３４ （ ０．０５７ ） ０．０７８ （ ０．０５２ ）
党派（共和党 ＝０ ）
民主党 ０．１２３ （ ０．１２１ ） ０．０７１ （ ０．０６９ ） ０．０７９ （ ０．０６１ ）
其他 －０．０３８ （ ０．１５２ ） －０．０７１ （ ０．０７９ ） －０．２１６ （ ０．０６９ ）
人口学特征
性别 －０．１４９ （ ０．１０３ ） ０．２２０ （ ０．０５９ ） －０．０５７ （ ０．０５３ ）
年龄 －０．０２４ （ ０．００３ ） ０．００２ （ ０．００２ ） －０．００６ （ ０．００２ ）
教育年限 －０．００６ （ ０．０２２ ） ０．００７ （ ０．０１２ ） －０．０１０ （ ０．０１１ ）
收入水平 ０．０４５ （ ０．０２５ ） －０．００４ （ ０．０１４ ） －０．０４０ （ ０．０１３ ）
婚姻状况（无伴侣 ＝０ ） －０．１４５ （ ０．１１５ ） ０．０３７ （ ０．０６４ ） －０．０８１ （ ０．０５９ ）
族群（白人 ＝０ ）
非洲裔 －０．３５２ （ ０．１７６ ） ０．２１２ （ ０．１１１ ） ０．１１４ （ ０．０９３ ）
亚裔 ０．０７６ （ ０．２７６ ） ０．０１５ （ ０．１６１ ） ０．２１５ （ ０．１２３ ）
混合 ０．２３７ （ ０．２５７ ） ０．２６８ （ ０．２１７ ） ０．１２４ （ ０．１７９ ）
原住民／印第安人 －０．１１４ （ ０．４２１ ） ０．５５５ （ ０．２１４ ） ０．２８１ （ ０．１７８ ）
其他 ０．３１７ （ ０．２９０ ） －０．４８０ （ ０．１８３ ） ０．０７９ （ ０．１９４ ）
常数项 ５．３６１ （ ０．３５５ ） －０．６３７ （ ０．２０９ ） －０．１２３ （ ０．１９５ ）
犉 值 ６．９７ １２．７０ ４７．１０
调整的 犚 ２ ６．１２％ ２１．１０％ ４５．２１％
注：系数为非标准化回归系数，括号内为稳健标准误； 狆 ＜０．０１ ， 狆 ＜
０．０５ ， 狆 ＜ ０．１ 。
（三）社交网络中政治极化的形成
根据本文的研究假设，我们设定了一个如图 １ 所示的在线社交网
络中的群体极化路径。模型采用了路径回归分析的方法。由于在线交
往机制之间可能存在相互作用的联系，因此，我们建立了一个机制间都
存在联系的初始模型。图 １ 展示了模型的初步分析结果。根据路径回
归分析的结果，首先，本文提出的群体极化的两个外显变量———群体性
和积极性———都有较好的测度，二者相结合显示了群体极化潜变量的
· ２ ３ ０ ·
