【锚点】这一篇只钉一个判断：比较研究里报的「样本量」是名义 N；真正决定标准误的是独立信息量 N_eff，而共同祖先与扩散会把 N_eff 压到远小于 N。

【显式】1889 年，Edward Tylor 在皇家人类学研究所宣读《On a Method of Investigating the Development of Institutions》，用数百个社会做跨文化相关。Galton 当场追问：这些社会并非独立——它们共享语言、血统、传播，所以相关系数可能是「同一段历史被数了很多遍」。这就是 Galton 问题的出处。

【隐式】一步推理：若两个案例共享祖源，它们的残差就相关，OLS 的独立同分布假设被打破，标准误被低估、p 值虚低。问题不是「样本不够多」，是「样本不够独立」。

【细微】设计效应给出定量：N_eff = N / (1 + (m−1)ρ)，m 是簇大小，ρ 是组内相关。若 ρ=0.2、m=10，DEFF≈2.8，100 个案例的有效 N 只剩约 36。比对多处才会发现：大量「大样本」比较研究从没报过 ρ，也就从没算过 N_eff。

【极难发现】反直觉的盲点：增加案例可能不增加信息，甚至降低 N_eff——如果新增案例都来自同一簇（同地区、同一殖民遗产），你是在给已有观测重复计数。样本量直觉在这里是反的：不是「多一个案例多一份证据」，而是「多一个同簇案例多一份冗余」。

【流程节点链路】识别名义 N → 检验案例间祖源/扩散依赖（语言、地理、殖民史）→ 估计组内相关 ρ → 用 DEFF 换算 N_eff → 用 N_eff 重算标准误与置信区间。一个节点都不能省，否则报的是名义精度。

【现代形态】Galton 问题没有消失，只是换了名字：比较政治里的空间自相关、系统发生比较方法（Felsenstein 1985 的 independent contrasts）、以及跨文化数据库的语系校正，都在做同一件事——把「名义 N」换成「独立对比数」。

结尾问题：一个跨文化数据库有 1000 个社会，却只有 6 个语系。一个声称 p<0.001 的相关，该报 N=1000 还是 N_eff≈6？这不是统计细节，是知识论立场：你相信的是案例数，还是独立历史事件数？