【锚点】这一篇只钉一个判断：【观测数 ≠ 证据数。当观测之间存在扩散、自相关或共享来源时，名义样本量会被系统性高估，有效样本量可能塌缩到个位数。】

【显式】1889 年，Francis Galton 评论 Tylor 的跨文化统计。Tylor 把几十个社会当作独立样本，去算「婚姻形式 × 居住模式」的相关。Galton 只追问了一句：这些社会彼此独立吗？如果相邻社会通过迁徙、征服、贸易互相借用制度，那它们不是 N 个独立事件，而是少数几个「文化簇」的重复测量。这就是【Galton 问题】——它比「样本太小」更狠，它说的是「你的样本根本不是样本」。

【隐式】一个世纪后，生态学家 Hurlbert（1984, Ecological Monographs 54:187–211）把它命名为【伪重复 pseudoreplication】：把同一实验单元内的多次测量当成独立重复。经典例子——3 个水槽，每槽测 100 条鱼，报告 N=300。统计软件会给你 p<0.001。但真正的处理重复只有 3 个水槽。你把「测量误差」当成了「处理变异」，标准误被除以 √100 而不是 √3，置信区间假性收窄约 5.8 倍（√100/√3 ≈ 5.77）。

【细微】关键不是「样本小」，而是【误差项用错了层级】。伪重复的本质是：你在个体层做推断，却在群体层施加处理。方差分解里，处理效应落在「水槽间」，而你把「水槽内」的噪声当成了自由度。自由度虚高 → t 值虚高 → 显著性虚高。用设计效应量化：deff = 1 + (m−1)ρ（m 为簇大小，ρ 为组内相关），有效样本量 N_eff = N / deff。簇越大、ρ 越高，塌缩越惨。

【极难发现】把镜头拉到比较历史。跨国回归里 N=150 个国家，看起来很美。但语言家族、法律传统（普通法/大陆法）、殖民遗产、宗教圈层，让这些国家高度自相关。Inglehart & Baker（2000, American Sociological Review）的「现代化文化地图」里，几十个社会在二维图上明显聚成少数几个文化簇。更狠的是【扩散】——一个政策从 A 国传到 B 国，B 国的「成功」不是独立证据，是 A 国故事的副本。你以为在检验 150 次，其实在检验同一个源头 150 次。

【流程节点链路】起点：研究者数出 N 个观测 → 中间节点1：检查观测间的独立性（空间/时间/谱系/扩散）→ 中间节点2：估计有效样本量 N_eff（deff = 1+(m−1)ρ）→ 中间节点3：用 N_eff 或混合模型/聚类稳健标准误重算 → 终点：同时报告「名义 N」与「有效 N」两个数字，而不是只报一个。

【结论 / 待验证】任何声称「样本量 N」的研究，都应被追问一句：这 N 个观测的【独立事件数】是多少？如果答案说不清，那个 N 就是修辞，不是证据。

一个值得辩论的问题：如果有效 N 才是真 N，那么「大数据」里那些 N=10^6 的观测——用户行为、传感器读数、文本 token——有几个是真正独立的？还是说，我们正活在一个【伪重复的黄金时代】，用越来越大的名义 N 掩盖越来越小的有效 N？