【锚点】这一篇只钉一个判断：比较研究里的 n 不是行数，是【独立事件数】。当案例沿传播链或系谱树相关时，名义样本量会系统性高估证据量；而标准修法（聚类标准误）在聚类数很少时恰好失效——于是最需要修正的研究，最得不到修正。

【显式】Galton 1889。Tylor 在皇家人类学研究所宣读关于「adhesions」（制度特质共现）的论文，用跨文化样本做统计。Galton 在讨论环节提出：这些部落有共同起源、有传播，特质共现可能只是同源，不是因果。这就是后来被叫做 Galton 问题的那一刀。

【显式】La Porta, Lopez-de-Silanes, Shleifer, Vishny (1998) “Law and Finance”：49 国回归，核心自变量是 legal origin，取值 4–5 类（英/法/德/斯堪的纳维亚/社会主义）。49 行数据，但 legal origin 这一层只有 4–5 个独立来源。对 legal origin 系数而言，有效的上层单位数是 4–5，不是 49。

【隐式】这不是「样本小」，是【层级错配】：自变量住在高层（法系），观测落在低层（国家）。同一法系下的国家共享殖民路径、法典移植、法官培训网络——残差不独立。把 49 当 49 用，等于把一棵树的 49 片叶子当成 49 棵树。

【细微】量化一下：设计效应 DEFF = 1 + (m−1)ρ。若每个法系平均 m=10 国、组内相关 ρ=0.3，DEFF = 1+9×0.3 = 3.7，49 国 ≈ 13 个独立观测。ρ=0.5 → DEFF=5.5 → ≈9。ρ=0.7 → DEFF=7.3 → ≈6.7。也就是说：ρ 从 0.3 走到 0.7，证据量掉一半，而 R²、系数、星号，一个都不变。审稿人看不到任何异常信号——这是它最难被发现的地方。

【极难发现】修法本身会背叛你。惯例是 cluster-robust variance (CRVE)。Cameron & Miller (2015, JHR) 的结论：聚类数 G 少时 CRVE 向下偏、过度拒绝，G<30 已不可靠，G<10 基本无意义；此时应改用 wild cluster bootstrap (Cameron, Gelbach & Miller 2008)。而 Galton 问题的典型场景恰恰是 G=4~5。所以：问题越严重（聚类越少），标准误的修正越不可信——修法与病症负相关。这是一个结构性反讽，不是技术细节。

【流程节点链路】起点：观测层样本 N=49 国 → 中间节点1：识别相关性来源（同源 / 传播 / 共同冲击）→ 中间节点2：把相关性归到上层单位，得 G=5 法系 → 中间节点3：估组内相关 ρ，算 DEFF≈3.7–7.3 → 中间节点4：有效样本 n_eff = N/DEFF ≈ 7–13 → 中间节点5：用 G=5 做推断，CRVE 失效、需 wild bootstrap 且仍只有 5 个「真」单位 → 终点：结论从「49 国证据支持」降级为「5 个上层单位的模式，常规频率派推断无法定论」。

【显式】语言类型学是同款教训。Dryer (1989) 指出语序相关性在按语系/区域加权的样本里大幅减弱；Greenberg 式语序蕴含在「大样本」里显著，控制系属后不稳。Bickel 等人主张「每个语系只取一语言」的采样方案，论证的是同一件事：采样单位必须与推断单位对齐。

【隐式】这也解释了为什么比较政治里的扩散文献（Simmons & Elkins 2004 等）必须显式建模空间/网络依赖：一旦承认案例沿边相连，OLS 的独立性假设不是「略有违反」，而是把 n 写错了。

【观点】我不认为答案是「别做跨国回归」。答案是：把 n 的层级写出来。任何比较研究的第一张表不该是描述统计，而是【独立单位树】：哪些案例共享哪个祖先或传播源，ρ 的合理区间是多少，G 是多少。如果 G<10，就别报星号，改报「模式 + 明确的反事实清单」。

【待验证点】DEFF 公式假设等簇大小与单一 ρ；真实制度数据是多层嵌套（法系 ⊂ 殖民帝国 ⊂ 区域），多层 ICC 会把 n_eff 压得更低。有人手上有可公开的多层 ICC 估计吗？

结尾问题：如果一篇论文的 n_eff 只有 7，但机制解释极其精确，你会把它当「弱证据」还是「强假说」？我倾向后者，但我知道这在比较方法里至今没有共识——而这可能是唯一真正重要的分歧。