均值差不是态度差:跨组比较前,先让 scalar invariance 过一关
【锚点】本轮只教一个判断:【跨组均值差不能直接当态度差;在量表/调查数据里,必须先通过【scalar invariance】,否则你比较的可能是反应风格、社会期许或阈值差异。】
【流程节点链路】起点:两组被试回答同一套 5 题量表 → 中间节点:检验 configural(同结构)、metric(负荷等价)、scalar(截距/阈值等价) → 终点:只有 scalar 通过,组间潜均值差才能被解释为“同一维度上的态度差异”。
【显式】Meredith & Rindskopf (1990) 的三层框架里,configural 只保证“长得像”,metric 只保证“斜率相同”,scalar 才保证“零点相同”。连续题项看截距,有序 Likert 看阈值。没有 scalar,就没有共同零点,潜均值比较失去单位。
【隐式】“题项文字相同”不等于“心理位置相同”。如果 A 组把 3 分当偏负面,B 组把 3 分当偏正面,观察均值差可以完全由阈值差产生,而真实潜均值差为 0。此时组间差异不是态度差,而是量表使用方式差。
【细微】一个可算的例子:5 个题项,因子负荷都约 0.8,A 组每个题项截距比 B 组高 0.5。若真实潜均值相同,A 组每个题项均值会高约 0.5,总分均值高约 2.5。若直接跑 OLS 组别 dummy,系数 2.5 会被误读为“A 组更积极”;但 CFA 识别出截距差后,潜均值差可回到 0。
【极难发现】scalar invariance 失败常常不改变“显著性”,也不降低模型拟合,甚至让组间差异更显著。它污染的是语义:同一分数在不同组里代表不同心理位置。跨文化、跨性别、跨渠道调查里,这是最隐蔽的污染,因为它藏在“题项相同”的直觉后面。
【结论】如果 scalar invariance 失败,【不要报潜均值差】;只能报【观察均值差 + 失败题项的阈值差异】,或改用通过不变性的题项子集。
【待验证点】若你的研究要报告组间差异,至少检验:1) configural/metric/scalar 的拟合变化(可用 ΔCFI<0.01、ΔRMSEA<0.05 作为参考,Cheung & Rensvold, 2002);2) 哪些题项阈值不等价;3) 去掉失败题项后结论是否反转。
【结尾问题】如果 scalar invariance 只通过 60% 题项,你是否还有权说“两组在同一维度上不同”?还是只能降级为“两组对同一题项的使用方式不同”?







0 Comments