本研究从经验层面基本采用了分析归纳的方法检验了假设是否成立。犯罪学研究领域中较早运用分析归纳法（Analytic Induction）检验假设是否成立者当推埃德温·萨瑟兰的学生阿尔夫雷德·林德斯密斯（Al-fred Lindesmith）。按照林德斯密斯的观点，假设应该适合于所界定领域中的每一个个案。具体地说，提出假设，然后将之适用于一个个案。如果假设同个案事实不符，则修改假设，或重新界定适用领域，然后再次适用。如此反复适用，直至得出一个与每一个案事实相符的假设。[4]萨瑟兰将这种科学调查的新方法适用于不同种类的犯罪事实，从而最终得出极具理论概括的”不同交往理论“。本研究首先从经验层面基本采用分析归纳的方法检验了所提出的相应假设；然后，对那些不适用于个案的相应假设进行修改，直至假设适用于具体的个案；最后，根据修正后的相应假设制成调查问卷。

　　本研究基本采用数理统计方法来构筑罪犯出监重新犯罪风险预测模型，建立罪犯出监前重新犯罪预测量表。首先，我们采用多因素方差分析与二元Logistic回归分析方法，按照显著性水平小于0.05标准从8个测量模型中分别提取预测罪犯出监前重新犯罪风险预测因子；其次，采用偏相关分析，剔除假相关变量；再次，采用二元Logistic回归分析法建立罪犯出监前重新犯罪风险预测模型，制成罪犯出监前重新犯罪风险预测量表；最后，采用交叉列表分析方法对预测结果的正确率进行了检验。

　　四、研究结果

　　调查问卷中我们预设了年龄、本次服刑境遇、早年家庭依附、早年学校依附、生平遭遇、早年不良交往、反社会行为、反社会人格等8个测量模型。为科学检测罪犯出监前重新犯罪风险究竟与哪些因素存在显著性关联，我们首先采用多因素方差分析方法对调查问卷所涵盖的8个测量模型进行了统计分析，并从不同测量模型中分别提取P值小于0.05相关因素作为预测因子；其次，我们还采用二元Logistic回归分析方法对所用模型进行了检验，以检测检验结果是否一致；最后，对两种不同方法得出的检验结果进行比较，取其结论相同的相关因素作为测量罪犯出监前重新犯罪风险的预测因子。兹就多因素方差分析与二元Logistic回归分析结果分述如下。

　　（一）年龄与重新犯罪风险

　　年龄测量模型涵盖年龄、刑期等2项测量指标。就年龄之于重新犯罪风险影响而言，我们主要考察了个体第一次犯罪逮捕年龄和第一次犯罪出监时年龄等2项因素；在刑期对重新犯罪影响方面，我们主要考察了个体第一次犯罪实际执行刑期等1项因素。根据年龄因素方差分析模型（Corrected Model）检验结果（F＝13.值＝0．000），各控制变量（自变量）和他们的交互作用对观测变量（因变量）产生显著性影响，说明所用模型具有统计学意义。根据年龄因素方差分析表，自变量”第一次犯罪出监年龄“(P值＝0.001)、”第一次犯罪实际执行刑期“（P值＝0.00）等2项因素对因变量”是否再犯“具有显著性影响；自变量”第一次犯罪逮捕年龄“（P值＝0. 188）对因变量不具有显著性影响。

　　为确保年龄因素方差分析模型检验结果的可靠性，我们采用二元Logistic回归分析方法对年龄测量模型进行了检测。经检测，年龄测量模型Cronbach'' s a系数为0.774，说明所用模型信度较好；Nagelkerke R2为0.847，说明所用模型的拟合优度极佳。根据年龄测量模型检测结果，控制变量（自变量）”第一次犯罪逮捕年龄“(P值＝0. 000) 、”第一次犯罪出监时年龄“(P值＝0. 000) 、”第一次犯罪实际执行刑期“(P值＝0.000)等3项因素对因变量”是否再犯“均具有显著性影响，但自变量”第一次犯罪逮捕年龄“对因变量”是否再犯“影响力极小，其系数仅为-0.07。比较以上两种不同方法，其相同结论为自变量”第一次犯罪出监时年龄“、”第一次犯罪实际执行刑期“2项因素对因变量”是否再犯“具有显著性影响。考虑到二元Logistic回归模型中自变量”第一次犯罪逮捕年龄“对预测个体是否重新犯罪贡献率较低，同时出于”取其相同检验结果原则“之考量，我们仅取”第一次犯罪出监时年龄“、”第一次犯罪实际执行刑期“等2项因素作为测量罪犯出监前重新犯罪风险的预测因子。