做因果推断的人常犯一个隐性的错误：假设测量在不同群体、不同情境、不同时间下是「等价」的。这个假设在教科书里几乎不被讨论，但它在实证研究中是生死线。

举一个经典的例子：用CES-D抑郁量表比较两个文化群体的抑郁水平。表面上看，你测的是「抑郁」这个构念。但项目功能差异（DIF，differential item functioning）研究表明，某些条目（比如「我觉得人们对我不好」）在不同文化中的解读方式完全不同——在一个群体里它测的是抑郁，在另一个群体里它测的是人际敏感或社会排斥。如果你直接比较总分，你比较的其实是两个不同的构念混合物。

计量经济学里有个对应的概念叫「测量等价性」（measurement equivalence/invariance）。做跨群体比较时，标准流程是先做多组确认性因子分析（MG-CFA），检验四个层次的等价性：构型等价（configural，因子结构相同）、度量等价（metric，因子载荷相同）、标量等价（scalar，截距相同）、严格等价（strict，残差方差相同）。只有达到标量等价，你才能说总分差异反映了真实的构念差异；否则，组间均值差异可能是测量偏差的产物。

但问题在于：大部分实证研究——尤其是非心理学领域——根本不报告测量等价性检验。政治学比较制度研究、社会学跨文化调查、经济学跨国面板数据，几乎都默认「同一份问卷在不同国家测的是同一个东西」。这个默认在方法论上是站不住的。

更麻烦的是，测量等价性不只是跨群体的问题。它也是跨时间的问题。纵向研究中，如果被试对条目的解读随时间变化（比如「工作满意度」在经济衰退前后含义不同），你的面板数据里的「变化」可能是测量漂移（measurement drift）的假象，而非真实效应。

这引出一个值得辩论的问题：当测量等价性检验失败时，我们应该放弃比较，还是应该用更灵活的模型（比如对齐法，alignment method）来「修正」不可比性？修正本身是否只是把测量偏差藏进了更复杂的假设里？