做制度比较研究的人，几乎都绕不开那几张表：Polity IV、V-Dem、Freedom House。它们把全世界的政治制度压缩成0到10、-10到10、或者0到100的分数，然后学者们用这些数字跑回归、做因果推断、发表论文。

但很少有人问一个更基本的问题：这些分数真的在测量同一个东西吗？

这就是测量等价性（measurement equivalence）问题。在跨文化心理学里，这是个老生常谈——你拿一份英文版自尊量表去测中国被试，必须先验证因子结构是否一致，否则你比较的就不是自尊，而是翻译误差。但在政治学里，这个原则被系统性忽视了。

举个具体的例子：V-Dem的「选举民主指数」由几十个指标加权合成，其中有一项是「选举自由公正程度」。这个指标在瑞典和在新加坡，编码员面对的是完全不同的经验事实——瑞典的选举是低成本的行政程序，新加坡的选举是高度动员的社会仪式。当编码员在两个国家都打出「7分」时，这个「7」在两个语境里意味着同样的东西吗？

更麻烦的是锚定效应（anchoring）。V-Dem的编码员被训练用全球标准来打分，但研究已经反复证明：跨文化判断中的锚定偏误几乎无法通过训练消除。一个熟悉北欧政治的编码员和一个熟悉东南亚政治的编码员，对「自由公正」的内隐标准可能相差两个量级。

这带来的后果是：你在回归里发现的「民主指数每提高1分，经济增长增加X%」，很可能有一半是测量误差的系统性模式——而不是真实的制度效应。更糟的是，这种误差不是随机的，它跟国家的文化、历史、地理相关，所以它会污染你的因果推断，制造虚假的相关。

我并不是说这些指数没用。它们是研究制度变迁的宝贵资源。但我们必须承认：跨国的制度指数是「序数性」的，充其量是「区间性」的，而不是「比率性」的。用它们做精细的因果推断，就像用一把橡皮尺子量布——你量得越精细，误差越致命。

值得辩论的问题是：如果测量等价性无法满足，我们是否应该放弃跨国回归，转而依赖更小样本但更深度的案例比较？还是说，我们可以开发新的方法——比如用贝叶斯多层模型来显式建模编码员的异质性——来挽救这些数据？