图8-2描绘了每一次施测中原始变量的均值。T1是紧张程度上升的时期。工作放缓和部门合并在这一阶段发生，不确定感和焦虑水平很高。员工都清楚地听到裁员的谣言，包括具体的裁员人数（25～60名员工）、日期（第一季度）、目标小部门，以及关于部门会不会被出售或者外包的推测。似乎在工作安排上也有一些混乱：参与者在开放性问答中说，工作任务“不详细”“不明确”和“不具体”。呈现出的情形是员工感到工作量不足，猜测这对于组织和他们的工作来说意味着什么，而管理层保持沉默。这些评论证明了员工知道部门正处于困境，但是仍对管理层可以用“一个明确的、深思熟虑的计划”来引导他们抱有一线希望（我们在这一阶段注意到，一个人对管理层的信任程度会对其对处境的解释有很大影响）。
T2是一段高潮期：焦虑到达顶峰。T2正是裁员公告公布前夕。谣言活动、不确定感和焦虑达到高点，信任动摇。员工在问卷中的评论反映了与T1中相同的疑问，但也反映出不信任的增加——“公司挣了比预期多一倍的钱”，总公司并没有支持这个部门，管理层应该“向我们展示他们对项目承诺”，管理层应该“正面回答对他们提出的问题而不是拖延”，以及管理层“在最后一刻之前一直将所有人蒙在鼓里”；也反映出焦虑的增加：“我的工作安全吗？”许多员工惊慌失措，因为他们没有被尽早告知真相。
T3和T4（在裁员之后）是充满愤怒的变迁时期。不确定感和焦虑减少，谣言活动也骤然减少（虽然LOT依旧保持稳定）。这时出现了一些有关未来裁员和部门被出售的谣言。虽然信任的平均水平上升了，但很多员工在问卷中的评论表明他们仍处于气愤的状态：“管理层不诚实”“管理层为了保持员工的生产力，只告诉员工他们想告诉员工的信息”“员工一直被愚弄”“谁在乎呢”“没有一个信源可以信任”。
图8-2 每一次施测中人们听到的谣言数量、传播的谣言数量、传播可能性、不确定感、焦虑和信任的均值
在这一章的剩余部分，我们描述了对影响LOT的因素的检验结果。我们主要分析以下这些问题：不确定感、焦虑和信任对LOT的主效应如何？信任的调节效应如何？我们进行了八个分层调节线性回归分析[1]。在这些回归分析中我们只用了T1和T2的数据，因为T3和T4样本量太小。其中，四个回归分析检验了不确定感、信任的主效应，以及信任对于不确定感-LOT关系的调节效应，结果如表8-2所示。另外四个回归分析检验了焦虑、信任的主效应，以及信任对于焦虑-LOT关系的调节效应，结果如表8-3所示。在这四组分析中，两组是横断的，两组是纵向的。
不确定感和焦虑的主效应
结果得到了不确定感（表8-2）和焦虑（表8-3）的主效应。当不确定感作为每一次横断分析中LOT的唯一预测变量时，它可以预测LOT，因此不确定感存在主效应。这个结果重复了之前关于不确定感和谣言传播之间关系的研究结果（Rosnow，1991）。然而，在模型中加入信任之后，不确定感的主效应消失了，这表明大部分由不确定感引起的LOT变异可以由不信任解释。简单地说，在不信任和不确定感的比较中，不信任的作用更强。
表8-2 在T1、T2用不确定感预测LOT的分层调节回归分析
注：报告的数据是β系数，括号中为标准误。LOT=传播可能性（听到的谣言中被传播的比例）。T1=第一次施测的时间；T2=第二次施测的时间。^p＜0.10，**p＜0.01，***p＜0.005，****p＜0.001。
表8-3 在T1、T2用焦虑预测LOT的分层调节回归分析
注：报告的数据是β系数，括号中为标准误。LOT=传播可能性（听到的谣言中被传播的比例）。T1=第一次实测的时间；T2=第二次实测的时间。^p＜0.10，*p＜0.05，**p＜0.01，***p＜0.005，****p＜0.001。
焦虑也表现出相似的模式；当焦虑作为每一次横断分析中LOT的唯一预测变量时，它可以预测LOT，因此焦虑存在主效应。这个结果重复了之前关于焦虑和谣言传播之间关系的研究结果（Rosnow，1991）。然而，在模型中加入信任之后，焦虑的主效应消失或大幅度减弱，表明大部分由焦虑引起的LOT变异可以由不信任解释。简单地说，在不信任和焦虑的比较中，不信任的作用再次胜出。
这些结果表明，信任扮演了一种比先前理论所认为的更核心、更直接的角色。相比于不加入信任的模型，加入信任的模型可以解释远远更高比例的LOT变异。这些结果也将先前的谣言传播研究结果拓展到一种对谣言传播新的操作化——LOT。
信任的主效应
与我们预测的一样，结果强有力地支持了信任在横向和纵向谣言传播中的负向主效应。如表8-2和表8-3所示，对T1的横断分析表明，在纳入不确定感或焦虑的主效应模型中，信任对LOT起到显著的负向预测作用。信任在调节效应模型中仍是显著的负向预测因素。换言之，在不确定感、焦虑的主效应以及它们与信任的交互作用的基础上，信任为同一时间LOT的减少贡献了更多的解释率。这种模式同样存在于T2的横断分析，并且它也存在于每一个纵向分析中。[2]在同一时间和未来的不确定感、焦虑的主效应以及它们与信任的交互作用的基础上，信任为未来LOT的减少贡献了更多的解释率。总之，在考虑了不确定感和焦虑的效应的基础上，信任仍会抑制同一时间和未来的LOT。信任的主效应是强大而持续的。
信任的调节作用
与我们预测的一样，表8-3中的结果强有力地支持了信任在横向和纵向的焦虑-LOT关系中的调节作用。[3]在T1的横断分析中，加入焦虑和信任之间的交互项可以使模型对LOT变异的解释率提高6.1%。这个交互项的β系数是正向且显著的，表明高信任可以强化焦虑与LOT之间的关联，而低信任会弱化焦虑和LOT之间的关联。图8-3通过展示在低、中等、高信任水平下焦虑和LOT之间的回归直线斜率，展示了信任的调节作用。[4]因为整个样本中信任都比较低，所以应该注意，这些值不是绝对的。事实上，高信任大约处于量表的中点位置。图8-3表明：在信任低的时候，LOT始终保持高水平；不管焦虑程度如何，低信任的受试者都会传播他们听到的大部分谣言。而在高水平的信任下，焦虑与LOT之间表现出共变性。T2的横断分析也表现出相同的模式，但是不显著[5]。
图8-3 在对公司低、中等、高T1信任的样本中计算出的回归直线斜率（预测变量：T1焦虑；结果变量：T1传播可能性）
在检验T1信任对于T1焦虑-T2LOT关系的调节作用的纵向分析中，交互项的纳入提供了8.3%的额外解释率，并且该作用是显著的，详见图8-4。横断研究结果中表现出来的模式在这里也得到了验证。接下来的纵向分析检验了T1信任对于T2焦虑-T2LOT关系的调节作用。结果又发现了相似的模式，但只达到了显著性水平惯例中的边缘显著。[6]不过即使遵循显著性水平惯例，我们也发现T1信任能够显著调节T1焦虑与T1 LOT以及T2 LOT的关系。
图8-4 在对公司低、中等、高T1信任的样本中计算出的回归直线斜率（预测变量：T1焦虑；结果变量：T2传播可能性）
评估信任对于横向和纵向的不确定感-LOT关系的调节作用的结果表现出与信任对焦虑-LOT关系的调节作用相似的模式（如图8-2所示），但作用较弱。横断分析中的交互项不显著，纵向分析中的交互项在惯例水平上也不显著。[7]
总之，信任能够调节焦虑-LOT之间的关系：在T1阶段，信任调节焦虑与T1LOT之间的关系；在T2阶段，信任边缘调节焦虑与T2 LOT之间的关系。T1信任甚至还能纵向地调节T1焦虑和T2 LOT的关系，并且边缘调节T2焦虑和T2LOT之间的关系。以不确定感作为预测变量的分析中也呈现出类似但不显著的模式。
[1] 我们首先对缺失值模式进行纵向分析，未发现系统性的损耗（attrition）模式。例如，参加T1和T2两次实测这一行为与T1的不确定感、焦虑、LOT和信任无关。所有可能的施测次数组合（T1vsT2、T1vsT3、T2vsT3等）都被用于检验。在计算每一次施测中变量的均值和标准差后，我们用Tabachnick＆Fidell（1996/2001）的方法对数据进行了筛查，以便进行相关分析和回归分析。极端值（z分数在均值±3SD以外的值）被变更为次极值（不确定感为1；焦虑为3；听到的谣言数量为6；传播的谣言数量为5）。多重共线性通过马氏距离进行检验，T1的一个数据点被删除。之后我们计算了零阶相关系数（表8-1呈现了T1和T2的组间相关）。所有相关系数都没有超过±0.85，证明没有变量共线性。二维散点图是椭圆形的，表明变量的线性和方差齐性。
[2] 在纳入T1焦虑或不确定感的主效应模型中，T1信任对T2 LOT有显著的负向预测作用，这一负向预测作用在调节效应模型中仍然显著。甚至在纳入T2焦虑或不确定感的主效应模型中，T1信任仍然对T2LOT有显著的负向预测作用，同时在调节效应模型中也仍然有显著的负向预测作用。
[3] 我们也通过分层线性回归检验了我们假设的T1和T2中的交互作用。在检验程序中，先对预测变量和调节变量进行中心化处理，再计算交互项（Aiken＆West，1991）。中心化指对变量中的每一个值进行减去变量均值的操作。接下来，代表调节作用的交互作用在纳入所有主效应（中心化变量）的回归方程中进行检验。
[4] 这些斜率是根据表8-3中的调节模型回归系数，纳入不同的信任值计算得出的（Aiken＆West，1991），用于反映高/低信任的值分别是样本均值以上1SD和以下1SD。
[5] p=0.12。
[6] p=0.07。
[7] 显著性分别为p=0.11和p=0.14。
