精心构建了回归模型，结果出炉，解释变量与因变量的系数不显著，做量化研究，大约都体会过这种烦恼。
遇到这种情况，常规作法是调整回归模型，比如增加或减少自变量。猜测解释变量与因变量是曲线相关，就把解释变量及其平方都纳入模型。猜测两个解释变量高度相关，就把它们的交互项纳入模型。
常规手法都不奏效，不妨换个思路，检视因变量的测量。
科学的起点是测量，测量分三步。起点是分类，然后是把类型特征操作化，再后是选择特征矢量并设定其权重。做量化研究，往往使用其他学者收集的数据。这些学者设计问卷时有一张概念网，概念网就是分类网，分类网根据现有研究编织。这张网在已知水域能捕获已知的鱼类，换到一个全新的水域，就可能捕获未知的鱼。
举个例子。以政治信任为因变量，就得琢磨怎样测量它。常规的测量框架隐含地假定政治信任的对象是个统一整体，信任的事域是单一完整的领域，信任对象在特定事域的可信任性是个统一整体。在这些假定的基础上，不论问卷中有多少测量政治信任的问题，研究者在分析数据时都倾向于把多个指标合并成一个指数，用一把由多个指标构成的隐形直尺测量信任。
这个测量框架在很多国家适用，但在中国不完全适用。在中国，政治信任的对象是个统一整体，但信任的事域有两个：一是政策制定，二政策执行。与此相应，信任对象在两个事域中的可信任性的维度有两个：一是执政动机，二是执政能力。于是，民众的政治信任有两个维度：一是对信任对象执政动机的信任，二是对其执政能力的信任。
政治信任的这两个维度在多数情况下紧密相关，所以，常规的测量框架对多数人适用。但是，大约五分之一的人对两个维度的判断高度背离，信动机不信能力，持差序信任。于是，政治信任就有了结构性，有四个具有代表性的模式。准确测量政治信任，要先鉴别四个模式，然后测量分别有多少人持这四个信任模式。
分析数据受挫，相信自己的直觉，搁置权威定义，检讨测量框架，挖掘隐含假设，烦恼就成了突破的契机。
