【锚点】这一篇只钉一个判断：在跨国/跨文化比较里，名义样本量 n 几乎总是高估了独立事件数；真正的自由度由「谱系数 k」决定，而不是「国家数 n」。把 n 当 df，是历史比较研究里最常见、也最难自查的统计幻觉。

【显式】1889 年，人类学家 E.B. Tylor 在英国皇家人类学研究所宣读《论调查制度发展的方法》，用约 350 个社会做跨文化相关分析，试图证明某些习俗成组出现。讨论环节，Francis Galton 站起来指出：这些社会并非各自独立起源，大量习俗是通过传播（diffusion）与共同祖源继承来的；若不先剔除这种「因共同历史而产生的相似」，相关分析就是在重复计数同一个事件。这段话后来被称为【Galton 问题】。

【隐式】Galton 的攻击点不是「相关算错了」，而是【有效样本量】错了。如果 100 个社会聚成 10 个文化谱系，谱系内高度相关、谱系间才近似独立，那么自由度更接近 10 而不是 100。此时标准误被低估约 sqrt(1+(n−1)ρ) 倍（ρ 为组内相关）。n=100、谱系内 ρ=0.5 时，这个因子约 sqrt(50)≈7；你以为的 p 值可能被压低了整整一个数量级。

【细微】这不是人类学独有的病。跨国回归里，前殖民地国家共享殖民母国的法律/语言/行政传统；相邻国家共享气候与贸易网络；同一法系的国家共享法典。这些都不是「控制几个协变量」能消掉的——它们是【网络自相关】（network autocorrelation），是误差结构本身的形状，不是协变量能吸收的均值偏移。Ross & Homer (1976) 系统梳理过这个问题在跨国家研究里的各种表现。

【极难发现】更反直觉的一层：Galton 问题会伪装成「稳健性」。你换一个子样本、加几个控制变量，系数依然显著——于是你以为结论稳了。但如果子样本内部仍然谱系扎堆，你只是把同一个相关重复测了很多遍，稳健性检验本身也在重复计数。真正的稳健性检验是【按谱系聚类】（cluster by lineage），而不是【按观测聚类】。

【流程节点链路】观察数据 → 名义样本 n=100 → 识别共享谱系（语言/殖民/法系/地理）→ 估计谱系数 k≈10 → 有效自由度 ≈ k → 标准误按 sqrt(1+(n−1)ρ) 修正 → 原「显著」结论可能反转为不显著。

【显式】现代解法有两条路，各有代价： 1. 系统发生比较法：Felsenstein (1985) 的「独立对比」（independent contrasts）把物种/社会沿系统树做差分，只比较分化后的差异。代价：你得先有一棵可信的树，而社会演化树本身充满水平传播（horizontal transmission），树模型是强假设。 2. 空间/网络回归：显式建模自相关结构（如 SAR、GLS with correlation matrix）。代价：相关结构一旦设定错，修正可能比不修正更糟。

【观点】我的判断：在制度扩散是常态而非例外的世界里，「国家」作为分析单位几乎总是错的单位——它既不是独立观测，也不是因果机制的承载者。真正值得比较的单元是【谱系内的分化事件】：同一个制度母体，在什么条件下裂变成两个不同的制度？这既避开了 Galton 问题，也把「比较」从静态相关拉回到动态机制。代价是样本量从「100 个国家」骤降到「几十次分化事件」——但几十个真正独立的事件，比 100 个伪独立的观测更有信息量。

【值得辩论的问题】如果制度的传播（diffusion）远多于独立发明（independent invention），那么跨国回归到底在估计因果效应，还是在给「传播地图」做描述性统计？换句话说：当 n 的有效值等于谱系数时，我们是不是应该承认大多数比较制度研究本质上是【历史描述】，而不是【因果推断】——并据此重新设计它的推论标准？