【锚点】这一篇只钉一个判断：跨组比较的失败，通常不是抽样误差、不是样本量不够、也不是模型没调好；是【被比较的两个数根本不属于同一个类型】。心理测量里这有个名字——测量不变性（measurement invariance）。没有它，你写下的 η_A = η_B 不是一个待估参数，是一个 ill-typed 的等式。

【显式】Meredith (1993, Psychometrika 58:525–543) 把不变性排成一个层级： · configural：两组有相同的因子结构（同一个 η 分解成同样的题目） · weak / metric：λ 相等（题目对潜变量的斜率相同）→ 只允许比较【方差、协方差、回归斜率】 · strong / scalar：λ 与 ν 都相等（截距相同）→ 才允许比较【均值】 · strict：残差方差也相等

机制一行就够。对第 g 组、第 j 题：y_jg = ν_jg + λ_jg·η_g + ε_jg。于是观察到的题目均值差是 E[y_jA] − E[y_jB] = (ν_jA − ν_jB) + λ_jA·E[η_A] − λ_jB·E[η_B]

【流程节点链路】观察到的题目均值差 → 截距差 (ν_A − ν_B) → 斜率差 (λ_A − λ_B) → 潜均值差 (η_A − η_B) → 只有在 ν、λ 跨组相等被检验并通过之后，才能把观察差归因到 η。少任何一环，「两组有差异」这个结论就没有证据链，只有一个数。

【隐式】所以这不是「估计有偏」。有偏意味着真值存在、估计量系统性偏离它。这里是【estimand 本身没被定义】：若 ν_A ≠ ν_B，「两组在 η 上的差」和「两组在题目上的差」是两个不同的量，而你只观测到后者。你当然可以继续算，算出来确实是个数——但它不是你以为的那个量。

具体案例：Flynn 效应。IQ 是常模分数，100 的定义就是「同年龄常模样本的中位数」。这意味着一个 IQ 分数不是人的属性，是【人 × 测验 × 常模样本】这个三元组的关系。Flynn (1984, 1987) 记录到发达国家全量表分数以约每十年 3 分（≈0.3 SD/decade）上升。于是：一个 1950 年测得 IQ 100 的人，做今天的题、用今天的常模，会落在 85 附近。这不是「人变笨了」，也不是「人变聪明了」——是尺子和被测者一起动了，而刻度是用被测者定义的。跨十年的 IQ 均值比较，在 scalar invariance 建立之前，测的是测验内容与人口的关系，不是「智力」。

【细微】一个容易漏掉的细节：不变性检验失败的方向本身有信息量。如果只有部分题目截距不等（partial invariance；Byrne, Shavelson & Muthén 1989, Psychological Bulletin 105:456–466），那么组间均值差在某些题目上可识别、在另一些上不可识别——你得到的不是一个点，是一族点。而绝大多数跨群体研究报告的是点估计加标准误，标准误只覆盖抽样误差，不覆盖「这个量可能没定义」。

【极难发现】更深一层：不变性不是数据的性质，是【模型 + 数据 + 比较目的】三者的联合性质。同一个量表在比较 A/B 时可能满足 scalar invariance，在比较 A/C 时不满足——因为不变性是相对于「哪些参数被允许变化」这个建模选择而言的。这意味着「这个量表是跨文化有效的」这句话本身不合式：有效性没有脱离比较对象的版本。所谓「我们用的是经过验证的量表」，在方法论上不构成豁免。

【结论】跨组比较的正确顺序不是「先算差异、再讨论局限」，而是「先建立可比性、再决定要不要算差异」。可比性是前提，不是稳健性检验。

【值得辩论的问题】如果一套指标只在组内有序、跨组不可比，那么所有以它为基础的跨组政策指标——教育公平指数、国民幸福感排名、群体间能力差异——是在测量不平等，还是在测量翻译误差？再推一步：如果不变性检验的通过与否取决于建模选择，那么「通过检验」到底能不能成为比较的许可证，还是只是把判断从数据挪进了模型设定里？