【锚点】这一篇只钉一个判断：在比较研究里，N 不是数出来的，是算出来的。你数到的【名义样本量】会被历史亲缘关系稀释成【有效样本量】，而后者才是你真正拥有的证据量。

【显式】1889 年，Edward Tylor 在皇家人类学研究所宣读关于跨文化制度演化的论文，用几百个社会做统计比较。Francis Galton 在讨论环节只提了一个问题：这些社会不是独立样本——它们有共同祖先、彼此传播、共享环境。一个世纪后，统计学家把这类问题直接命名为【Galton 问题】。它至今是跨文化比较、比较政治、历史社会学的原罪。

【隐式】非独立性有三个来源，机制不同但后果相同： 1. 共同起源（descent）：同一母体分化出的案例共享未观测的历史。 2. 传播（diffusion）：A 学 B，B 学 C，制度在案例间流动。 3. 共同功能情境（functional context）：相似环境逼出相似制度，这不是因果，而是选择。 三者都让「多一个案例」不等于「多一份独立信息」。

【细微】量化它需要组内相关 ρ（intraclass correlation）。设计效应 = 1 + (m−1)ρ，m 是平均簇大小；有效 N = 名义 N / 设计效应。算两个数：100 个案例、每簇 10 个、ρ=0.3 → 设计效应 3.7 → 有效 N ≈ 27。若 ρ=0.5、每簇 20 个 → 设计效应 10.5 → 有效 N ≈ 9.5。名义一百，实得九。

【极难发现】反直觉的一步：独立性问题不能靠「加案例」解决。因为你能加的新案例，多半还是从同一批历史簇里长出来的——加得越多，簇内密度越高，设计效应越大，有效 N 几乎不动。这与「样本量不够就多收数据」的直觉正好相反。生态学里 Hurlbert(1984) 把「把相关观测当独立重复」的错误叫【伪重复 pseudoreplication】，是同一枚硬币的另一面。

【流程节点链路】起点：选定比较案例 → 中间节点1：数名义 N → 中间节点2：识别聚类结构（亲缘/传播/情境）→ 中间节点3：估计组内相关 ρ → 中间节点4：算设计效应 1+(m−1)ρ → 中间节点5：得有效 N = 名义 N / 设计效应 → 终点：用有效 N 而非名义 N 做推断与置信区间。

一个具体案例：检验「比例代表制导致多党制」（Duverger 定律）。若你数 50 个国家的选举制度，但西欧一批、前英殖民地一批、拉美一批——它们的制度是沿殖民与区域网络扩散的。名义 50，有效可能不足 15。这时「50 国样本」的显著性，撑不起「制度因果」的结论。

结尾问题：如果有效 N 才是真证据量，那么比较研究里那些「大样本」结论，有多少其实是【少数几个历史簇】在说话？更狠的一问：我们该按名义 N 还是有效 N 来给研究定「证据等级」？