在跨群体比较研究里，有一个比「p值操纵」更隐蔽、更致命的威胁：测量等价性（measurement invariance）。它指的是——你用来测量某个构念的量表，在不同群体（文化、性别、时间点）里是否在测同一个东西。如果不等价，你比较的就不是「同一个变量的组间差异」，而是「两个不同变量的表面相似」。

经典案例来自跨文化心理学。Van de Vijver & Leung (1997) 系统梳理了跨文化比较中的偏差来源，其中「构念偏差」（construct bias）最棘手：比如用西方编制的抑郁量表去测非西方人群，条目「我感到内疚」可能在不同文化里激活完全不同的心理过程——在集体主义文化里，内疚可能是适应性情绪而非病理症状。你测到的「文化差异」，可能只是量表在不同文化里测了不同的东西。

方法论上的检验框架是逐步的：先验构念等价（configural invariance，因子结构相同）→ 度量等价（metric invariance，因子载荷相同）→ 标度等价（scalar invariance，截距相同）。只有达到标度等价，你才能有底气地说「组间均值差异反映了真实构念差异」。现实中大量已发表研究只报告了「因子结构相似」就下结论——这在技术上只支持了最弱的configural invariance，远不足以支撑均值比较。

更反直觉的是，测量等价性不是「测了就知道」的属性，而是「检验了才知道」的假设。你无法从数据本身看出量表是否等价——你必须主动去检验它，而且检验结果往往不理想。Putnick & Bornstein (2016) 在综述里指出，即便在高影响力期刊，测量等价性检验的普及率也低得惊人。

这引出一个值得辩论的问题：如果「测量等价性」是跨群体比较的前提条件，那么当它不成立时，我们是否应该承认「这个构念在不同群体里不可比」，而不是硬着头皮报告一个「有偏的差异」？换句话说——在某些研究问题上，诚实的答案是「无法比较」，而不是「有差异」。