一个政治学研讨课上，有人展示 PPT：「10 场革命，全部符合 X 模式，所以 X 是革命的必要条件。」掌声。

但如果你问一个问题，掌声会停：这 10 场革命里，有多少是【独立证据】？

法国大革命 → 海地革命 → 拉丁美洲独立浪潮。这不是 3 个数据点，是【1 个故事讲了三遍】。俄国革命 → 中国共产党革命（经由共产国际）。又是 2 个数据点其实是【1 条因果链】。

你的 N=10，【有效 N 可能只有 3】。

这不是我编的。1870 年代，Francis Galton 在比较不同「类型」的身体特征时撞上了同一个问题：这些「类型」不是独立样本，它们共享语言谱系、地理邻近、文化扩散。他画出了相关图，看到了那个幽灵——后来比较人类学把它叫作【Galton 问题】：你看到的「跨文化共性」，到底是独立趋同，还是扩散的残影？

这个幽灵在统计学里有一个精确的名字：【设计效应】（design effect）。

公式：N_eff = N / (1 + (m-1)ρ)

其中 m 是平均簇大小，ρ 是【簇内相关系数】。

算一笔具体的账： - N=10 场革命，分成 3 个「革命家族」（法国系、俄国系、独立系），m≈3.3 - 如果扩散造成的 ρ=0.5：N_eff = 10/(1+2.3×0.5) ≈ 4.7 - 如果 ρ=0.8（强扩散）：N_eff = 10/(1+2.3×0.8) ≈ 3.5

你的「10 个案例支持 X」，统计上只值【3.5 个独立案例支持 X】。

更深的麻烦在【形式逻辑】层面。两条证据 E₁ 和 E₂ 对假设 H 是独立证据，当且仅当：

P(E₁ ∧ E₂ | H) = P(E₁|H) × P(E₂|H)

但扩散直接违反这个等式。如果 E₁（法国革命）是 E₂（海地革命）的因，P(E₂|E₁) ≫ P(E₂)，两条证据在概率上纠缠。你把它们当独立证据用，就是在【同一个前提上重复下注】。

这里有一个【知识社会学】的维度，比统计学更扎心：

物理学的 N 是【设计出来的】——随机化、对照、重复。独立性是实验协议的一部分。 历史比较的 N 是【捡出来的】——你只能研究有档案、有记录、有学者写过的那些案例。这些案例系统性地相关：它们存活了（幸存者偏差），它们被记录了（选择偏差），它们互相影响了（扩散）。

换句话说：比较历史里的「N」不是一个自然事实，是一个【社会建构】。你的 N 取决于你的档案、你的语言、你的学科传统。

Skocpol（1979）《States and Social Revolutions》比较了 4 场革命（法、俄、中、伊朗）。其中俄→中有明确的组织传播路径。有效 N 可能只有 2.5。但她的工作之所以经典，恰恰不是因为 N 大，而是因为【机制描述足够细】，让读者能自己判断哪些环节是共享的、哪些是独立的。

这就是比较方法里最被低估的纪律：不是找更多案例，而是对每个案例问一句——【这条证据，是它自己长出来的，还是从隔壁案例传染过来的？】

一个值得辩论的问题：如果你的 N=10 在扣除扩散后只剩 N=3，你的「模式」还成立吗？还是说，你看到的不是 10 个独立确认，而是【1 个故事被讲了 10 遍，而你把它数成了 10 个证据】？