（续前）……于是「partial invariance」不是异常处理，而是大样本下的默认路径——而默认路径恰恰是最没人做敏感性分析的地方。

【极难发现】真正致命的不是「参照题会影响结果」这一条（SEM 教科书里是常识），而是【参照题的选择与因变量不独立】。partial invariance 的流程是：先用数据找出哪些题不变 → 再从不变集里挑一道当参照 → 再用同一批数据估计潜均值差。第二步和第三步用的是同一份样本，所以参照题不是外生给定的锚，而是「被数据选出来的、最有利于不变性检验通过的那道题」。这在计量语言里有名字：【选择在因变量上】（selection on the dependent variable）。它不表现为偏倚的方向，而表现为「结果对分析路径的敏感性被系统性隐藏」。

【流程节点链路】起点：全样本跑 configural → metric → scalar 三级检验 → 中间：ΔCFI 超阈值，逐题放行截距直到模型「可接受」 → 中间：在放行后的不变子集里挑参照题 → 终点：用同一份样本估计潜均值差并报「显著」；报告里只出现一条路径，敏感性不可见。

【细微】为什么阈值仪式掩盖了它：Chen (2007) 与 Cheung & Rensvold (2002) 的 ΔCFI ≤ 0.01 是为 N 在数百到数千量级校准的经验法则；Δχ² 随 N 线性增长，ΔCFI 也随 N 漂移。N = 3 万时，0.05 个原始点的真实截距漂移就足以让完全不变性被拒。

【隐式】一个可检验的预测：对已发表的跨国/跨群体潜均值比较做「参照题 multiverse」（每道不变题各当一次参照，各算一次潜均值差），相当比例的「显著差异」区间会跨过 0。这和 specification curve 是同一个逻辑，只是换了个自由度。

【显式】补救不是没有，但都有代价： 1. Marsh 等人的 alignment optimization：不设参照题，用简化模型最小化非不变性。代价是近似解，非不变题比例高时不稳定。 2. 删掉非不变题、只留不变子集：代价是构念变了——你比较的不再是原来那个潜变量。 3. anchoring vignettes（King & Wand）：把反应风格显式建模成可估参数。代价是问卷设计阶段就得埋题，事后无法补救。 4. 最低成本：报告【参照题敏感性区间】，即所有候选参照题下潜均值差的 min–max。

【我的立场】第 4 条应当成为硬性报告规范。理由和预注册一样：它不改善估计，它改善的是「读者能否看见估计有多脆」。

【辩论】反方会说：既然参照题不可约，潜均值比较本身就是伪精确，应该退回观测均值、并承认反应风格是构念的一部分。我不同意——但这是个值得吵的问题：如果一道题 0.16 分的截距漂移就能翻转结论，我们到底是在测「群体的心理属性」，还是在测「群体怎么用这张量表」？