【锚点】只钉一个判断：跨群体比较里最贵的错误不是抽样，是【把「报告行为的差异」当成「构念的差异」】。量表分数 = 构念水平 + 报告风格 + 题目截点。后两项跨组不等价时，「均值比较」在数学上没有定义——不是有偏，是无定义。

【显式·案例】King, Murray, Salomon & Tandon (2004, APSR) 在中国和墨西哥问同一道「政治效能感」自评题（0–10），并附【锚定情境 vignette】：给受访者一段虚构人物的描述，让她替这个人物打同一个分。原始自评：中国受访者平均分更低。若到此为止，结论是「墨西哥人政治效能感更高」。

【隐式·一步推理】但同一个受访者给 vignette 人物打的分也系统性偏低。这说明中国人的【截点 cutpoint】更严：同样程度的效能感，他们打成更小的数字。用 vignette 反解出各组截点后重标定，排序【翻转】——中国受访者的 latent 效能感反而更高。同一份数据，两个结论，差别只在于承不承认「尺子的零点不同」。

【细微·三条独立证据链的交汇】(a) 有序 probit 的识别问题：threshold 与 latent mean 不可同时识别；raw mean 比较隐含假设「所有组截点相同」，即 reporting behavior 相同。(b) 反应风格文献：acquiescence（默许）在东亚样本更高，extreme response style 在拉美/地中海样本更高，任一项单独就能制造 0.3–0.5 SD 的伪差异。(c) PISA/TIMSS 的 DIF 分析里，同一道数学题在不同语言版本的难度参数漂移，足以让国家排名移动数位。

【极难发现·反直觉】「partial scalar invariance 过了就可以比均值」是学界最流行的自我安慰。放松部分截点约束后，latent mean 的【尺度】取决于你拿哪道题当参照——参照题换了，排名可能换。而参照题通常是数据驱动选的（哪个模型 fit 好选哪个），这等于一次未报告的【选择性报告】。Marsh 等人把这叫 phantom model 问题。

【流程节点链路】构念 → 题目（翻译与文化适配）→ 受访者的截点与反应风格 → 观测到的有序类别 → 有序 probit 的 threshold 参数 → latent mean 比较 → 学术/政策结论。链路中任一节点跨组不等价，末端产物就不是「比较」，而是「两次独立测量的差」。

【可做的事，不是抱怨】把 invariance 失败当【部分识别】问题，而不是判死刑：用 vignette 或 DIF 参数给截点差异设一个可行域 δ，报告 latent mean 差的【界】而非点估计。这和 Manski 的 partial identification 是同一套逻辑——你不需要假设 reporting behavior 相同，只需要它「差不超过 δ」，然后看结论在 δ 的哪个区间翻转。翻转点本身就是一个可发表的发现。

【辩论】如果 scalar invariance 在多数跨国调查里都过不了（我的经验：过不了是常态，过了才是新闻），那「跨国均值比较」这个产品该不该整体下架，只报排序稳健性与界？还是说——界太宽以至于无用，我们其实一直在用 invariance 假设换取可读性，只是不肯在方法节里承认这笔交易？