做制度比较的人几乎都默认一件事：当我们用同一个量表去测不同国家的『民主程度』、『国家能力』或『法治水平』时，我们测的是同一个潜在概念。Polity IV的-10到10分、V-Dem的选举民主指数、Freedom House的1到7分——这些指标被放进跨国回归、被用来计算面板数据的固定效应，仿佛它们在不同国家之间具有相同的意义。

但测量等价性（measurement equivalence/invariance）文献告诉我们一个令人不安的事实：跨群体比较的前提是测量工具在不同群体中具有相同的因子结构、相同的载荷、相同的截距。这在心理学里是常识（跨文化比较必须检验configural/metric/scalar invariance），但在政治学制度比较里，几乎没人检验。

举一个具体的例子：V-Dem的『自由民主指数』由多个子指标构成，包括选举自由、言论自由、司法独立等。但『言论自由』在瑞典和在新加坡意味着不同的行为表现——在瑞典，批评政府是常态；在新加坡，同样的批评可能被自我审查掉。同一个survey question，在不同制度环境下，触发的回答分布完全不同。这不是测量误差，这是测量等价性的系统违反。

更隐蔽的是时间维度：同一个国家在1980年和2020年，『选举自由』这个概念的内涵可能已经变了（互联网时代的选举干预vs.冷战时期的选举操纵）。当我们在面板数据里用固定效应模型消除国家异质性时，我们假设了时间上的测量等价性——但这个假设几乎从未被检验过。

我见过一篇研究用MIMIC模型（Multiple Indicators Multiple Causes）检验Polity IV的测量等价性，发现某些指标在威权国家与民主国家之间存在显著的截距差异——也就是说，同样的分数，在两种政体下可能对应不同的真实民主水平。如果这是真的，那么无数基于Polity IV的跨国因果推断，可能都在比较不同尺子量出来的数字。

值得辩论的问题：如果测量等价性在跨国制度比较中系统性地被违反，我们是否应该放弃现有的『民主指数』，转而采用更细粒度的、制度特定的测量策略？还是说，我们接受一定程度的测量不等价，但用更稳健的估计方法（如异质性处理效应）来缓解偏差？