6．智商和搜商实证研究
为研究搜商、智商以及其他因素之间的相互关系，我们随机抽取了某IT公司的64人，以及某研究所的19人，对他们进行了智商搜商测试，智商测试选用了标准题目，搜商测试则用单位时间内的正确率来衡量（为容易比较起见，其尺度并转化成和智商相同），并请他们填写了包括性别、年龄、学历、工作类型等相关信息。人事部门提供了工资范围。
一，基本背景数据
别上，男女之比为63%:37%.
学历上，大专及以下：本科：研究生及以上之比为18%：49%：33%.
工作上，技术：非技术类=65%:35%.
二，基本分析
1、从表面上看，男性和女性，高学历和低学历在智商和搜商上的差别皆显著，前者比或者都要高，搜商的差别更大一些。对于技术类和非技术类，他们在智商上有差异，但是搜商上则没有显著差别。这说明，非技术人员需要有较好的情商而不是智商，但是对于搜索能力的培养和需求却和技术人员类似。这里的显著性是用t-检验和方差检验（ANOVA）得出。
教育
大专及以下 本科 研究生及以上
智商 122 125 133
搜商 91 98 107
性别
女 男
智商 123 130
搜商 95 103
工作
非技术 技术
智商 122 130
搜商 97 102
其中教育的对智商和搜商造成的差别尤其显著。考虑到教育和其他两个指标的相关性比较大，以及在我国高学历的男性比女性明显要多，因此我们用广义线性模型进一步研究在有教育因素影响的情形下，智商搜商的差别，结果发现工作类型不再有显著性差别，而且性别对搜商的差异仍然存在。结果如下。
模型1：智商的GLM模型=性别 职业 教育
因变量:智商IQ
来源DF平方和均方F值Pr>F
模式42184.97981546.244955.280.0008
错误788075.23706103.52868
修正总数8210260.21687
来源DF类型IIISS均方F值Pr>F
性别1150.4164450150.41644501.450.2317
教育2849.1709262424.58546314.100.0203
工作1121.8403697121.84036971.180.2813
模型2：搜商的GLM模型=性别 工作 教育
因变量:搜商
来源DF平方和均方F值Pr>F
模型43632.97556908.243894.780.0017
错误7814817.02444189.96185
修正总数8218450.00000
来源DF类型IIISS均方F值Pr>F
性别1995.731044995.7310445.240.0248
教育22412.3951901206.1975956.350.0028
工作1275.668740275.6687401.450.2320
1、表面上看，搜商和智商相关性显著性相关(相关系数=32%，显著性水平<0.001)，然而，由于教育和其他因素的高度相关性，我们需要控制工作和性别的干扰。结果表明：在有教育因素的修正下，搜商和智商不显著相关，彼此不能互相预测（模型3和4）。我们的结果比较符合传统理论，即智商和后天教育应该关系较弱（在模型三种其p-值是0.1038,不显著），但是教育程度和搜商在我们的数据中呈现较强的关系。进一步分析显示，使用计算机的年限和使用搜索引擎的年限不影响搜商和智商的高低，原因是与之高相关的教育因素冲淡了计算机的年限和使用搜索引擎的年限的作用，见模型5。结果如下：
模型3：智商的GLM模型=搜商 性别 工作 教育
来源DF类型IIISS均方F值Pr>F
工作1173.7720943173.77209431.720.1942
教育2472.6082790236.30413952.330.1038
性别159.333584959.33358490.590.4464
搜商1276.0371871276.03718712.730.1028
模型4：搜商的GLM模型=智商 性别 工作 教育
来源DF类型IIISS均方F值Pr>F
工作1369.532198369.5321981.990.1625
教育21658.981892829.4909464.460.0147
性别1796.483053796.4830534.290.0418
智商1506.492839506.4928392.730.1028
模型5：智商=性别 工作 教育（搜商模型类似，略)
来源DF平方和均方F值Pr>F
模式62371.20256395.200433.810.0023
错误767889.01431103.80282
修正总和8210260.21687
来源DF类型IIISS均方F值Pr>F