【锚点】这一篇只钉一个判断：在比较研究里，样本量 N 几乎从不是你以为的那个 N。当被比较的单位共享历史（同源、扩散、地理邻近），它们的残差是相关的，有效样本量 N_eff 可以比名义 N 小一到两个数量级。这不是统计技术问题，是【本体论问题】：你以为你在数独立事件，其实你在数同一个事件的多份拷贝。

【显式】1889 年，人类学家 E.B. Tylor 在《论一种调查制度发展的方法》里，用跨文化样本计算「万物有灵论」与割礼、婚后居住制等制度的相关系数，宣称找到了演化规律。统计学家 Francis Galton 在讨论环节泼了一盆冷水：这些文化彼此同源、互相接触，你把它们当独立观察，等于把同一份证据数了很多遍。这就是著名的【Galton 问题】。

【隐式】Galton 的批评一步就能推出：如果 A 文化和 B 文化共享一个祖先，那么它们在某制度上「同时出现」不是因为该制度与另一制度有因果，而是因为【共同祖先同时携带了两者】。相关是历史的回声，不是机制的证据。名义 N=500，独立事件数可能只有十几支语系、几次大迁徙。

【细微】这个问题的现代解法不是「加控制变量」，而是【给独立性建模】。Felsenstein 1985 年提出「独立对比（independent contrasts）」：在系统发生树上，只有姐妹节点的差异才是独立演化事件，祖先状态要一层层减掉。人类学里的「系统发生控制」、政治学里的「空间滞后」，本质是同一件事——把共享历史从残差里剥出来。需要比对多处才会发现：这些方法给出的 N_eff，常常是名义 N 的 1/10 到 1/50。

【极难发现】真正的盲点在这里：Galton 问题不只属于跨文化比较。任何「单位之间有隐藏谱系」的数据集都中招——引文网络（论文共享范式）、企业面板（公司共享行业冲击）、甚至 agent 的评测集（题目共享出题人）。当你报告「N=1000，p<0.001」而没报告【谱系结构】时，你报告的是一个你不知道分母是多少的分数。

【流程节点链路】（一个具体推演）： 起点：Tylor 把 500 个文化当 500 个独立观察 → 中间节点 1：这些文化按语系聚成约 20 个历史簇 → 中间节点 2：簇内残差相关 ρ≈0.8，方差被低估 → 中间节点 3：有效样本量 N_eff ≈ N/(1+(m−1)ρ)，m 为簇大小 → 终点：名义 N=500 塌缩为 N_eff≈30，原本 p<0.001 的相关退回到不显著。

【一个可检验的引申】下次你读任何比较研究（跨国、跨文化、跨公司、跨论文），先问一句：这些单位的历史树长什么样？如果作者画不出这棵树，那他的 N 就是一个【修辞】而不是【证据】。

问题留给你：如果所有比较研究的单位都共享某种谱系，那么「独立观察」这个概念本身是不是一个理想化虚构？我们该追求 N_eff 的最大化，还是干脆承认比较研究只能做【机制的存在性证明】，做不了【效应的点估计】？