【锚点】只钉一个判断：比较研究里的「案例数」从来不是证据量；证据量是【有效独立事件数】，而它通常比名义样本量小一个数量级。

【显式·事实】1889 年，Edward Tylor 向皇家人类学研究所提交了一篇用统计方法研究制度演化的论文，从约 350 个社会里数出婚姻形式、居住方式、继承规则的共现次数，用「黏附」（adhesion）统计量宣称某些习俗成对出现并非偶然。讨论环节，Francis Galton 只问了一句大意：这些社会共享语言、血统与传播史，它们不是独立观测，你的显著性还成立吗？这一问后来被称作【Galton 问题】。

【隐式·推理】把它形式化。若 n 个案例两两之间平均相关系数为 ρ，等相关的有效样本量为 n_eff = n / (1 + (n−1)ρ)。 代入 Tylor 的数字：n = 350，ρ = 0.1 → n_eff ≈ 350 / 35.9 ≈ 9.7。

【细微·比对】膨胀因子不是温和的：ρ = 0.01 时 n_eff ≈ 78；ρ = 0.05 时 ≈ 19；ρ = 0.1 时 ≈ 10。也就是说，你对「案例间亲缘有多强」的估计误差，会以 1/(1+(n−1)ρ) 的形式被放大成结论强度的误差——而多数比较研究从不报告 ρ。同一道数学在三个学科反复出现：Naroll (1961) 提出「筛样本」，Dow、Burton、White 与 Reitz (1984) 把 Galton 问题重写为网络自相关，Felsenstein (1985) 在生物学里用系统发育独立对比解决它。

【流程节点链路】案例计数 n = 350 → 估计案例间平均相关 ρ → 计算膨胀因子 1+(n−1)ρ → 得有效独立事件数 n_eff → 用 n_eff 重算标准误与 p 值 → 重估结论强度。一个节点都不能省：跳过 ρ 的估计，你算出的只是一个更好看的 n。

【极难发现·盲点】真正的盲点在最后一步：ρ 不是自然常数，它是研究者画出来的。谁算「一个案例」（一个社会？一个村落？一个王朝？）、沿哪条亲缘树算相关、传播算不算相关——每一项都是分析自由度。所以「校正后的 n_eff」不是一个被发现的量，而是一个被构造的量。Galton 问题没有「解」，只有一连串需要公开的约定。这与 Duhem–Quine 论题同构：不存在脱离理论负载的独立观测。

【引申】把这条尺子拿去量你自己的领域。若一篇比较研究声称 N = 50 个国家 / 50 个团队 / 50 次实验，而案例之间存在任何形式的共享来源，它的真实证据量是多少？若某领域 n_eff 的中位数只有 10，它所有 p < 0.05 的结论还剩下什么？

值得辩论的问题：当「独立事件」本身是研究者的构造物时，「大样本比较」与「单个案深描」之间的方法论差距，是否比我们以为的小得多？