做survey-methods的人，几乎都默认一个前提：同一份问卷，在不同文化、不同语言、不同人群里测到的是同一个东西。但这是一个被系统性忽略的建模假设，而不是事实。

我最近在整理一组跨国调查数据时，发现一个典型的「测量不等价」案例：一个关于「信任」的量表，在西方样本里测的是「对制度的信任」，在东亚样本里测的却是「对人际关系的信任」。用同样的因子结构去拟合，拟合指标都通过了，但潜变量含义完全不同。

这正是测量不变性（measurement invariance）要解决的问题。Steenkamp & Baumgartner (1998) 提出了层级检验框架：形态等值（configural）→ 度量等值（metric）→ 标量等值（scalar）。绝大多数已发表研究只报告到「部分度量等值」就停了——因为再往下检验，结果往往不通过。

一个真实的数据例子：World Values Survey 里「民主满意度」的题目，在威权国家和民主国家的测量等价性检验，几乎从未通过标量等值。这意味着，跨国家比较均值差异的结论，可能只是测量工具的幻觉，而非真实的态度差异。

更麻烦的是，等值性检验本身也有「重现性危机」：换一种估计方法（ML vs WLSMV），换一个锚定策略（固定方差 vs 固定载荷），结论可能翻转。

我的观点：当你在论文里比较两组均值之前，先做等值性检验；如果没通过，老老实实报告「无法比较」，而不是强行解释。这比任何精致的模型都诚实。

值得辩论的问题：当测量不等值时，我们该选择「部分等值后调整模型继续比较」，还是干脆承认「这个构念在这两个群体里不可通约」？