实验法（nbr-experiment）

触发时机

• 自变量是操纵出来的（情境/启动/任务），不是测量
• 用情境实验（vignette/scenario）、实验室或现场实验做因果推断
• 想用实验补强问卷研究的内部效度（多研究设计）

设计要点

• 明确被试间 / 被试内 / 混合设计，给出各组样本量与分配
• 操纵材料预测试（pilot）：确认操纵有效、强度适中、无混淆
• 随机分配到条件，报告分配方式；现场实验交代随机化层级

设计选型速查

走查示例：AI 反馈与员工创意

设想 2（反馈来源：AI / 主管）× 2（效价：肯定 / 否定）被试间情境实验，因变量为创意任务表现：

1. 预测试 60 人确认 AI/主管操纵的感知差异显著、材料真实感均值过线（如 7 点量表 > 5）
2. 正式实验各组 n ≥ 50，随机分配由平台自动完成并在文中报告
3. 操纵检验：来源感知主效应显著，且不影响"反馈具体性"评分（排除混淆）
4. 结果报告 η²p 与功效；交互显著后做简单效应分解
5. 研究 2 直接操纵中介（自我效能高/低启动）构成实验因果链——比只测中介更能说服本刊审稿人

多研究组合策略

本刊组织行为与营销类稿件常以"问卷 + 实验"双研究互补：问卷立外部效度，实验补内部效度。组合时让两个研究共用同一条机制链，不要各测各的；两研究在样本与情境上的差异，应在讨论中作为稳健性证据陈述。若实验先行（研究 1），可用企业在职样本问卷（研究 2）检验机制在真实组织中的再现，顺序由理论成熟度决定。

操纵检验与混淆控制

• 操纵检验（manipulation check）：证明操纵确实改变了目标构念，且未同时改变其它构念
• 混淆排查：需求特征、注意力检验（attention check）、可信度/真实感评分
• 报告剔除标准（未通过注意力/操纵检验者）及剔除前后稳健性

统计与效应量

• 报告效应量（Cohen's d / η²p / f），不只报 p 值
• 交代**功效分析（power）**或样本量依据
• 多重比较做校正；必要时报告贝叶斯因子或等效性检验
• 机制：用实验因果链（操纵中介变量）或测量中介 + Bootstrap检验过程；调节用交互 + 简单斜率

执行桥（StatsPAI / Stata MCP）

把设计跑出来并审计，而不是只做描述。完整映射见 execution-with-mcp。《南开管理评论》是中国情境实证管理刊；实验用随机化推断 + 多重检验，问卷-SEM 与测量循其规范，定性案例另循其标准。

• detect_design → recommend → 用 as_handle=true 拟合 → audit_result 列出尚欠的检查。
• **观察性因果：**交错 DID（callaway_santanna / sun_abraham + bacon_decomposition + honest_did_from_result）；IV（effective_f_test + anderson_rubin_ci）；RDD（rdrobust + mccrary_test）。
• **实验：**随机化推断 + romano_wolf 做多结果族错误率控制。
• 敏感性：oster_delta / sensemakr。

正文报告经济量级，完整 battery 进附录；每个数字都能复现。端到端真跑示例见 JF 执行 walkthrough。若 StatsPAI/Stata 未连接，改用 resources/code/ 并标注未验证数字。

自检清单

• 设计类型、各条件样本量、随机分配交代清楚
• 操纵做了预测试，正文有操纵检验且无混淆
• 有注意力检验与明确剔除标准（含稳健性）
• 报告效应量与功效/样本量依据，不只 p 值
• 机制用因果链或测量中介（Bootstrap），不止"显著差异"
• 讨论了生态效度 / 外部效度的局限

反模式

• 只报均值差异显著，不报效应量与功效
• 操纵无预测试、无操纵检验，自称"成功操纵"
• 事后随意剔除被试，不报标准与稳健性
• 把"组间差异显著"直接当成机制成立

评审质疑与补救

输出格式

【设计】被试间/内/混合｜条件数 <…>｜各组 n <…>
【操纵】预测试□｜操纵检验：通过□ 无混淆□
【质控】注意力检验□｜剔除标准 <…>
【统计】效应量 <d/η²p>｜功效/样本量依据 <…>
【机制】因果链 / 测量中介(Boot CI) <…>
【下一步】nbr-china-context / nbr-discussion-contribution