场景案例 ·

食品安全风险感知研究怎么用 AI 分析？逻辑回归 + 中介调节 + fsQCA 全流程

食品安全、公共卫生、消费行为方向论文必看：逻辑回归识别风险感知影响因素、Bootstrap 中介调节揭示路径机制、fsQCA 挖掘条件组态，ChatSRS 一句话跑完，生成 APA 7th 格式报告。

食品安全、公共卫生、消费行为方向的论文有一个绕不过去的坎：风险感知本身是一个二分结局（高感知 vs 低感知）、你的假设模型里又有中介/调节路径、审稿人还可能要求用 fsQCA 检验条件组态……三套方法连在一起，逐步手跑极其费时。这篇文章把最常见的食品安全风险感知研究设计一次讲透，每步给出 ChatSRS 可直接使用的真实指令，以及可抄进论文的 APA 7th 报告句式。

食品安全风险感知研究的三层分析逻辑

食品安全风险感知（food safety risk perception）是食品科学、公共卫生、市场营销交叉领域的核心构念。近年发表的论文呈现出一条清晰的分析演化路径：

第一层：谁感知到了风险？
因变量是"是否属于高风险感知群体"——典型的二分类变量，主力分析工具是二元逻辑回归（Binary Logistic Regression），识别人口学特征、信息获取、信任水平等哪些变量显著预测风险感知分组。

第二层：通过什么机制起作用？
在识别了显著预测因素之后，研究者往往想深挖机制：信任感是否通过感知收益中介了食品安全信息对风险感知的影响？媒体暴露是否被政府公信力调节？这一层需要中介与调节分析（Mediation & Moderation），采用 Bootstrap 法报告置信区间。

第三层：什么条件组合导致高风险感知？
与回归不同，**fsQCA（模糊集定性比较分析）**从充分条件视角分析条件间的并发因果关系，特别适合探索"哪几个条件同时具备才能引发高风险感知"，可与回归结论互补并强化论文说服力。

chatsrs.com 同时支持这三条分析路径，且在同一会话中可连续推进，不需要切换软件。下面按典型食品安全风险感知研究设计，从头到尾演示。

典型数据结构

以"消费者对网购生鲜食品安全风险感知的影响因素"研究为例：

受访者ID    风险感知分组    政府信任    媒体暴露    安全知识    感知收益    购买意愿    年龄    学历    月收入
001         高感知(1)       2.8         4.1         3.5         3.2         2.6         28      本科     8000
002         低感知(0)       4.2         2.3         4.7         4.1         4.3         45      高中     5000
...
  • 因变量：风险感知分组（0 = 低感知，1 = 高感知），二分类
  • 主预测变量：政府信任、媒体暴露、食品安全知识、感知收益（均为 Likert 5 点量表均值）
  • 人口学协变量：年龄、学历、月收入
  • 中介变量：感知收益
  • 调节变量：政府信任

全流程分析演示

第一步：描述统计 + 共同方法偏差预检

打开 chatsrs.com，上传数据后输入：

"请对全样本做描述统计，分别报告高风险感知组和低风险感知组的各变量均值、标准差和频率；并做 Harman 单因子检验，判断共同方法偏差是否严重。"

ChatSRS 输出分组描述统计三线表，并给出 Harman 单因子第一主成分方差解释比例（若 < 40% 则通常视为偏差在可接受范围内）。

为什么要先做这步：食品安全问卷绝大多数是自报数据，共同方法偏差（CMV）是审稿人必问的方法效度前提，提前做可以在方法章节一并交代。

重要局限：Harman 单因子检验是较弱的 CMV 检验手段，已被 Podsakoff 等（2003; 2012）明确指出其局限性，部分高水平期刊不再接受其作为唯一佐证。建议同时补充以下至少一种更强检验：（1）CFA 单因子模型检验（与测量模型对比拟合度）；（2）标记变量法（marker variable approach）；（3）无人响应偏差检验（non-response bias test）。如期刊仅接受 Harman 检验，需在方法章节注明这是初步检验并说明其局限性。

第二步：逻辑回归 — 识别风险感知预测因素

"以风险感知分组（0/1）为因变量，以政府信任、媒体暴露、食品安全知识、感知收益为主预测变量，年龄、学历（虚拟编码）、月收入为协变量，做二元逻辑回归。报告：Nagelkerke R²、模型卡方检验、Hosmer-Lemeshow 检验；每个预测变量的 B 系数、Wald 值、p 值、OR 值及 95% CI；并输出 ROC 曲线和 AUC。"

ChatSRS 输出：

模型整体拟合
Nagelkerke R² = .412
模型卡方：chi²(7) = 89.34，p < .001
Hosmer-Lemeshow 检验：chi²(8) = 6.72，p = .567（拟合良好）
ROC AUC = .881（95% CI [.847, .915]）

预测变量             B       SE      Wald    p        OR      95% CI [OR]
政府信任         -0.682   0.157   18.84   <.001    0.51    [0.37, 0.69]
媒体暴露          0.534   0.143   13.94   <.001    1.71    [1.29, 2.26]
食品安全知识     -0.398   0.168    5.61    .018    0.67    [0.48, 0.94]
感知收益         -0.521   0.174    8.97    .003    0.59    [0.42, 0.84]
年龄(连续)       -0.021   0.015    2.01    .156    0.98    [0.95, 1.01]
学历(本科及以上) -0.345   0.183    3.56    .059    0.71    [0.49, 1.02]
月收入(连续)     -0.000   0.000    1.23    .267    1.00    [1.00, 1.00]

逻辑回归的完整方法选择与 OR 解释规范，参见：AI 逻辑回归完整教程

第三步：中介分析 — 感知收益是否中介了媒体暴露对风险感知的影响

"以媒体暴露为自变量，感知收益为中介变量，风险感知分组为因变量，做 Bootstrap 中介分析（5000 次重抽样），报告总效应、直接效应、间接效应及 95% 置信区间；判断是部分中介还是完全中介。"

ChatSRS 输出：

Bootstrap 中介分析结果（N = 5000 重抽样）

路径                    系数      SE      95% CI [LL, UL]    显著?
总效应 (c)              0.534    0.143   [0.254, 0.814]      是
直接效应 (c')           0.321    0.151   [0.025, 0.617]      是
间接效应 (a*b)          0.166    0.071   [0.042, 0.321]      是（CI 不含0）

路径 a（媒体暴露→感知收益）：  beta = -0.318, p < .001
路径 b（感知收益→风险感知）：  B = -0.521, OR = 0.59, p = .003
（注：间接效应由路径 a × 路径 b 近似估计，= (-0.318)×(-0.521) = 0.166；
 因路径 b 为逻辑回归 log-odds 系数与路径 a OLS 标准化 beta 量纲不同，
 精确估计建议采用 KHB 分解法。）

结论：感知收益对媒体暴露→风险感知的关系存在部分中介效应，
      间接效应估计值 = 0.166，占总效应的 31.1%（以路径 a 标准化 beta × 路径 b log-odds 近似计算）。

中介分析报告的 APA 格式规范，参见：AI 中介分析教程 和 APA 中介 Bootstrap 报告

第四步：调节分析 — 政府信任是否调节了媒体暴露的影响

"以媒体暴露为自变量，政府信任为调节变量（均值中心化），风险感知分组为因变量，做有调节的逻辑回归（交互项检验）。报告交互项的 B 系数、OR、p 值，并在政府信任高（+1 SD）和低（-1 SD）条件下分别检验媒体暴露对风险感知的条件效应，画出条件效应图。"

ChatSRS 输出包含交互项的逻辑回归结果，以及条件效应图。关键结果：

媒体暴露 × 政府信任 交互项：B = -0.389, Wald = 7.23, p = .007, OR = 0.68 (95% CI [0.51, 0.90])

简单效应（conditional effect；媒体暴露对风险感知 log-odds 的影响）：
  政府信任高组（+1 SD）：B = 0.145, p = .312（不显著）
  政府信任低组（-1 SD）：B = 0.923, p < .001（显著）

结论解读：政府信任显著调节了媒体暴露的效应——在政府信任低的群体中，媒体暴露越高，风险感知越强；而在政府信任高的群体中，媒体暴露的影响消失。

调节分析操作与条件效应图规范，参见：AI 调节分析教程 和 Johnson-Neyman 技术

第五步：fsQCA — 识别导致高风险感知的条件组态

"以政府信任、媒体暴露、食品安全知识、感知收益为条件变量，高风险感知为结局变量，做 fsQCA 分析。请先做校准（本例以理论依据将量表变量的完全隶属/交叉点/完全不隶属设为 4.5/3/1.5，此三点锚值须在论文中说明理论或实质依据，不能仅凭统计分布确定，见 Ragin, 2008），然后做必要性分析和充分性分析，最终输出标准 fsQCA 结果表（覆盖度、一致性）和语言解读。"

ChatSRS 输出：

必要性分析
条件变量                一致性    覆盖度
政府信任 (缺席)          0.78      0.71
媒体暴露 (存在)          0.74      0.68
食品安全知识 (缺席)      0.69      0.72
感知收益 (缺席)          0.76      0.73
（所有条件一致性 < .90，不构成必要条件）

充分性分析 — 高风险感知条件组态（一致性截断值 .80，频率截断值 2）

编号  条件组态                                       覆盖度   一致性   案例数
C1   ~政府信任 * 媒体暴露 * ~感知收益                0.42     0.87     48
C2   ~政府信任 * ~食品安全知识 * 媒体暴露             0.35     0.84     39
C3   ~政府信任 * ~感知收益 * ~食品安全知识            0.28     0.81     31

整体解（overall solution）：覆盖度 = 0.61, 一致性 = 0.85

符号说明：~ = 缺席，* = 且（AND）

三条组态的含义：

  • 组态 C1：政府信任低、媒体暴露高、且感知收益低 → 高风险感知的充分条件
  • 组态 C2：政府信任低、安全知识不足、媒体暴露高 → 另一条充分路径
  • 组态 C3：政府信任低、感知收益低、安全知识不足 → 即使不高度接触媒体，三项不利条件叠加也可引发高风险感知

与回归的互补关系：回归给出净效应（哪个变量重要），fsQCA 给出组态视角（哪几个条件同时具备才起作用），两者结合构成更完整的论文论证体系。

fsQCA 方法详解参见：AI fsQCA 定性比较分析教程

论文方法/结果写法（APA 7th，可直接抄入）

方法章节：数据分析策略

本研究采用三层分析策略。第一层，以二元逻辑回归（binary logistic regression）识别消费者食品安全风险感知的显著影响因素，报告优势比（OR）及 95% 置信区间（CI）、模型拟合指标（Nagelkerke R²、Hosmer-Lemeshow 检验）与受试者工作特征曲线下面积（AUC）。第二层，采用 Bootstrap 法（5,000 次重抽样）检验感知收益的中介效应及政府信任的调节效应，以 95% 偏差矫正置信区间（BC CI）判断效应显著性（PROCESS 默认输出偏差矫正区间，即 BC CI；若软件另行输出偏差矫正加速区间 BCa CI，应在方法节明确注明）。第三层，运用模糊集定性比较分析（fsQCA；Ragin, 2008）从条件组态视角识别导致高风险感知的充分条件组合，一致性截断值设为 .80，频率截断值设为 2。所有统计分析通过 ChatSRS 完成（R 引擎；显著性水平 α = .05）。

结果章节：逻辑回归

二元逻辑回归结果显示，模型整体拟合良好，Nagelkerke R² = .41，模型卡方统计量显著，chi²(7) = 89.34，p < .001，Hosmer-Lemeshow 检验不显著，chi²(8) = 6.72，p = .567，ROC 曲线下面积 AUC = .881（95% CI [.847, .915]）。在各预测变量中，政府信任（B = -0.68，Wald = 18.84，p < .001，OR = 0.51，95% CI [0.37, 0.69]）和媒体暴露（B = 0.53，Wald = 13.94，p < .001，OR = 1.71，95% CI [1.29, 2.26]）对风险感知分组具有显著预测作用。政府信任每升高 1 单位，消费者属于高风险感知组的概率降低约 49%；媒体暴露每升高 1 单位，属于高风险感知组的概率增加约 71%。

结果章节：中介分析

Bootstrap 中介分析（5,000 次重抽样）结果显示，媒体暴露对风险感知的总效应显著，B = 0.53，95% CI [0.25, 0.81]。控制中介变量（感知收益）后，直接效应依然显著，B = 0.32，95% CI [0.03, 0.62]，间接效应（通过感知收益的路径）显著，B = 0.17，95% BC CI [0.04, 0.32]，中介比例约为 31.1%。上述结果表明，感知收益在媒体暴露与食品安全风险感知之间发挥部分中介作用（partial mediation）。

结果章节：调节分析

有调节的逻辑回归结果显示，媒体暴露与政府信任的交互项显著，B = -0.39，Wald = 7.23，p = .007，OR = 0.68，95% CI [0.51, 0.90]。简单效应（conditional effect）分析表明，在政府信任低组（-1 SD），媒体暴露对高风险感知的预测效应显著，B = 0.92，p < .001；而在政府信任高组（+1 SD），该效应不显著，B = 0.15，p = .312。结果表明，政府信任对媒体暴露与风险感知关系的负向调节作用得到支持。

结果章节：fsQCA

模糊集定性比较分析结果显示，无单一条件构成高风险感知的必要条件（所有一致性 < .90）。充分性分析识别出三条等效组态路径（总体一致性 = .85，覆盖度 = .61），均涉及政府信任缺席（~信任）作为核心条件。其中覆盖度最高的组态 C1（~政府信任 * 媒体暴露 * ~感知收益，一致性 = .87，覆盖度 = .42）表明：在政府信任低、媒体暴露高、且感知收益低三项条件并发的情境下，消费者呈现高风险感知的可能性显著提升。fsQCA 结果与回归分析发现相互印证，并揭示了条件间的因果不对称性。

上面四段可直接进论文 Methods/Results 章节，替换为你自己的数值即可。ChatSRS 的"APA 报告"模式可自动生成对应段落，无需手动转写。

常见 FAQ

Q1: 风险感知量表汇总后是连续变量，怎么处理成逻辑回归所需的 0/1？

常用三种操作方式，需在论文方法章节说明所选理由：

  1. 中位数切割（median split）：以量表总分中位数为分界，高于中位数为高感知（1），低于为低感知（0）。简单直观但会损失信息量，适合样本量较大的研究。
  2. 理论截断点：根据量表设计说明（如 5 点量表均值 ≥ 3.5 为高感知），理论依据需有文献支撑。
  3. k-means 聚类：先用 2-类 k-means 将受访者分为高/低感知两组，再以聚类标签为因变量。聚类方法本身可作为数据驱动分组的方法论优势。

在 ChatSRS 里输入"请用中位数切割将风险感知量表均值转为 0/1 分类变量"即可自动完成。

Q2: 逻辑回归 OR 值怎么解读？论文里怎么写？

OR（优势比，Odds Ratio）表示自变量增加 1 个单位时，结局事件发生概率与不发生概率之比的变化：

  • OR > 1：自变量增大，事件发生概率增加。OR = 1.71 表示该变量每升高 1 单位，属于高感知组的优势（odds）增加 71%。
  • OR < 1：自变量增大，事件发生概率降低。OR = 0.51 表示该变量每升高 1 单位，属于高感知组的优势降低约 49%（= 1 - 0.51）。
  • OR = 1：无关联。

APA 报告格式：OR = 1.71, 95% CI [1.29, 2.26], p < .001，注意 CI 要用方括号，不要写成括号。

Q3: fsQCA 和逻辑回归同时做，两者结论如果矛盾怎么处理？

这种情况出现时，通常不是"矛盾"，而是视角不同：回归检验的是净效应（在控制其他变量后，某变量对结果的平均线性影响），fsQCA 检验的是条件组合是否构成充分条件（因果不对称、非线性）。

处理建议：

  1. 在论文中明确说明两种方法的互补性，引用 Fiss (2011) 和 Ragin (2008) 的经典论述
  2. 如果某变量在回归中显著但未出现在任何 fsQCA 组态中，可能说明其效应需要与其他条件结合才能显现，单独的线性净效应存在但条件效应有限
  3. 如果某变量频繁出现在核心条件中但回归系数不显著，可能因为样本量限制或非线性关系导致传统回归低估

ChatSRS 支持在同一会话中连续运行两种方法，并可要求"对比两种方法的结论，生成整合讨论段落"。

Q4: Bootstrap 要做多少次重抽样？论文如何报告？

常见标准：

  • 5,000 次是目前社会科学论文的主流标准（Hayes, 2022，PROCESS 默认值）
  • 10,000 次稳健性更高，适用于置信区间较窄或期刊要求严格的情形
  • 不建议少于 1,000 次（估计不稳定）

APA 报告格式示例：

"中介效应通过 Bootstrap 法（5,000 次重抽样）估计，以 95% 偏差矫正置信区间（BC CI）判断显著性（Hayes, 2022）。"（注：PROCESS 默认输出 BC CI，而非偏差矫正加速区间 BCa CI；若所用软件输出 BCa CI，请在方法节明确注明，两者技术上有差异。）

在 ChatSRS 里输入指令时注明"5000 次 Bootstrap"即可，系统自动适配。

Q5: 样本量多少才能同时跑逻辑回归 + 中介调节 + fsQCA？

三种方法对样本量的要求差异较大：

方法最低推荐样本量备注
二元逻辑回归预测变量数 × 10（每预测变量至少 10 个事件）7 个预测变量 → 最少 70 个结局事件，建议 n ≥ 200
Bootstrap 中介/调节n ≥ 200样本量越大 Bootstrap 估计越稳定
fsQCAn ≥ 30（质性扎根）或 n ≥ 100（中样本）中样本 fsQCA 建议频率截断值 ≥ 2

如果样本量在 150-250 之间，三种方法均可操作，但 fsQCA 组态数量可能偏少。在 ChatSRS 里说明样本量后，系统会自动给出建议的截断值。

分析小结

食品安全风险感知研究的三层分析链条：

分析目标方法ChatSRS 关键指令片段
识别风险感知预测因素二元逻辑回归"binary logistic，OR 及 95% CI，ROC AUC"
量化中介路径Bootstrap 中介分析"Bootstrap 5000 次，间接效应 BCa CI"
检验调节效应有调节的逻辑回归 + 简单效应"交互项检验，+1 SD/-1 SD 条件效应图"
挖掘条件组态fsQCA"校准、必要性分析、充分性分析，一致性截断 0.80"

三套方法在 ChatSRS 里可在同一数据文件的同一会话内连续运行，输出格式均符合 APA 7th 要求，Results 章节可直接使用。

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。