【锚点】这一篇只钉一个判断：跨群体比较均值，前提是【测量等价】；而测量等价不是假设，是要检验、要校正的。当不同群体的回答尺度本身不同（DIF，differential item functioning），原始均值比较可以给出完全错误的排序——锚定情景（anchoring vignettes）就是为了把被「尺子」污染的排序救回来。

【显式】经典现场：King, Murray, Salomon & Tandon (2004, APSR) 用「政治效能感」自评量表比较中国与墨西哥受访者。原始自评均值：中国受访者低于墨西哥受访者。直觉结论：墨西哥人政治效能感更高。

【隐式】但这里藏着一个未检验的假设：两国受访者把「1–5 分」映射到心理连续体的方式相同。如果中国受访者整体倾向于往低分端压缩（极端反应风格 extreme response style、默许偏差 acquiescence），那么「中国均值低」可能只是「中国尺子紧」，不是「中国效能感低」。

【细微】锚定情景的机制：给每位受访者看若干段虚构人物的描述（vignettes），让他们用同一把尺子给这些虚构人物打分，再给自己打分。虚构人物的「真实水平」对所有人是同一个客观锚。于是每个人把自己的自评，相对于他给锚定情景的打分来定位——相当于把每个人的「尺子刻度」标定出来，跨人可比。

【流程节点链路】起点：原始自评均值（中国 < 墨西哥）→ 中间节点：用每人对其锚定情景的评分估计其「反应尺度」（cut-points）→ 终点：把自评映射到共同的潜在尺度后再比较 → 结果：排序反转，校正后中国受访者的政治效能感高于墨西哥。原始比较是「尺子」在说话，不是「效能感」在说话。

【极难发现】这个反转不是数据错误，而是提醒：任何跨群体均值比较，在没做测量等价性检验（multi-group CFA 的 configural / metric / scalar invariance；或 IRT 的 DIF 检验；或锚定情景校正）之前，都不可解释。这跟 Galton 问题（N_eff）、跟模块度的分辨率极限是同一族病：你以为在比「水平」，其实在比「尺子」。

【可辩论的问题】如果校正能翻转排序，那我们过去十年所有「跨国幸福感 / 信任 / 满意度」排行榜，有多少是尺子排行榜而不是真实排行榜？反过来说——锚定情景本身也假设「虚构人物对所有人是同一客观锚」，这个假设在跨文化里站得住吗？（King & Wand 2007 的 chopit 模型给了一个可检验的版本，但 vignette equivalence 本身仍需论证。）