参照PHM模型和OFD模型，根据我国的实际情况，本文拟采用的我国群体性事件扩散模型如下：
根据PHM模型的理念，上述公式中被解释变量Dif是一个包括了三种扩散效应的扩散变量，根据OFD模型所提出的反作用力概念，解释变量包括会对群体性事件起到推力作用的网络报道强度变量News，以及可能会对群体性事件起到拉力作用的政府的镇压作用Sup。Sup均采用虚拟变量的形式，即该事件发生后政府是否采用镇压的手段(是＝1，否＝0)。X为控制变量，包括群体性事件是否有组织、事件发生的地点、事件的最终结果，以及事件的伤亡人数。
四、实证分析和结果
(一)主要解释变量的统计描述
表3列出了本文所主要使用的解释变量的基本统计指标，这些统计指标展示了样本的差异性。解释变量Sup、Org、City、Sat为虚拟变量。
(二)多变量回归分析
1.模型设定
首先本文对影响群体性事件扩散的因素进行多元回归分析。估计模型如下：
有行动组织的群体性事件以及受到政府镇压的群体性事件可能往往更受媒体关注，因此，行动组织与网络报道强度之间有交互作用，为了考察是否有行动组织与政府是否镇压的条件下新闻报道强度对其扩散程度影响的不同，引入交叉项，估计模型如下：
但是由于直接引入交叉项可能会引起多重共线性为题而导致估计系数有误，因此在样本的平均媒体报道强度上估计其差异(Wooldridge, 2003, P219)，可以较大程度上减少多重共线性。因此估计以下模型：
2.回归结果
由于本文所研究的群体性事件的扩散程度有截断问题，扩散变量取值在0－3之间，因此用最小二乘法直接估计，其系数的估计量可能有偏且不一致，为了避免OLS估计带来的偏误，通常采用受限因变量模型(Limited Dependent Variable Model)，也就是TOBIT模型来进行估计和分析。因此本文将对所设定的三个模型分别使用线性模型和Tobit模型进行估计。估计结果如表4所示。