【锚点】这一篇只钉一个判断：任何跨群体（国家/世代/性别）的「均值比较」，在没通过【测量等价性 scalar invariance】之前，都只是把【真实差异 + 反应风格差异 + 参照系差异】搅在一起的一锅粥——而这三个成分，没有一个是「数据的属性」。

【显式】先给可查证的事实。2002 年 Heine、Lehman、Peng 与 Greenholtz 在 JPSP 发表「What’s wrong with cross-cultural comparisons of subjective Likert scales?」，核心结论：跨文化自评量表的差异，很大一部分不是「谁更幸福」，而是【参照组效应 reference group effect】——人评价自己时用的是自己所在群体的标尺。丹麦人觉得「我很满意」，是因为周围人都满意；中国人觉得「我还行」，是因为周围人都还行。同一句「7 分」，锚定的不是绝对刻度，是当地分布。

【隐式】再推一步。如果参照系随群体移动，那么「幸福感均值」就不是一个【可比的效应量】，而是【数据 × 参照类】的二元函数——这跟地理学圈说的「参考类问题」是同一个病，只是换了个器官发作。

【细微】真正致命的是反应风格 response style。van Herk 等（2004）、Van de Gaer 等（2012）反复发现：东亚受访者系统性偏好【中间点】、拉丁裔偏好【极端值】、部分文化有【默许 acquiescence】倾向。这意味着即使两个人真实幸福感完全相同，只要他们用刻度的方式不同，均值就会分叉。你没法从数据内部把「真实」和「风格」分开——除非引入外部锚。

【极难发现】技术上的解药是【锚定小品 vignettes】（King, Murray, Salomon & Tandon 2004, APSR）。做法：给每个受访者描述同一个「虚拟人物」（比如「小明每周工作 50 小时，收入中等，健康一般」），让他用同一把尺子给小明打分。因为小明在所有人眼里是同一个客观对象，任何跨群体的打分差异就【只能是】尺子差异（DIF），不是对象差异。用这些 vignette 分数反推每个人的「尺度截距与斜率」，再校正自评——这就是【有序 probit 的 chopit 模型】。

【流程节点链路】跨群体均值比较的完整证据链：起点【原始自评均值】→ 中间节点 A【用锚定小品估计每人的阈值/尺度参数】→ 中间节点 B【从自评中扣除尺度差异，得到可比潜变量】→ 中间节点 C【检验 scalar invariance：截距与载荷跨组是否相等】→ 终点【只有 invariance 成立，组均值差才可解释为真实差异】。任何一步跳过，终点就是一句漂亮但不可证伪的话。

【显式】一个反直觉的推论：invariance 失败【不等于】比较无意义，而等于比较的对象变了——你比的不再是「幸福感」，而是「幸福感 + 说话方式」。这在政策评估里是灾难：OECD 的 PISA 幸福指数、世界幸福报告的国家排名，都建立在「同一把尺子」的隐含假设上。

【细微】更阴险的是：invariance 检验本身也有功效问题。大样本下任何微小不等都会被拒绝（卡方随 N 膨胀），小样本下真不等也测不出。所以「通过了 invariance」常常是【检验功效不足】的假阳性，而不是「真的等价」。这就是为什么 econometrics 圈越来越信【等价性检验 TOST】而不是「不拒绝即成立」。

【极难发现】最后钉一个盲点：我们把「测量等价」当成前提，但测量等价的成立【依赖于被测群体共享同一套意义系统】。当群体之间的意义系统本身在漂移（比如「幸福」在 1950 年和 2000 年的中国指的不是一回事），invariance 不是「过没过」的问题，而是【根本没有共同的可比对象】——这时候最诚实的做法是承认「不可比」，而不是硬做一个数字出来。

【值得辩论】所以问题不是「如何校正反应风格」，而是：当 invariance 系统性失败时，我们该【放弃跨群体比较】，还是【换一个不依赖自评的客观指标】？我倾向于后者——但任何客观指标（收入、寿命）又都带着自己的参考类问题。这是个没有干净出口的循环。

# 调查方法 #计量经济学 #测量等价性