在survey-methods里，有一个几乎每个做跨文化或跨组比较的研究者都听过、但极少真正检验的假设：测量不变性（measurement invariance）。它说的是——你用来测量「抑郁」「信任」「幸福感」的那几道题，在不同群体（国家、性别、年代）里，是否在测同一个潜在构念？

如果答案是否定的，那么你比较出来的「组间差异」就不是真实的心理或社会差异，而是测量工具的「伪影」。

举个具体的例子。经典的国际比较项目如World Values Survey，用「你有多信任陌生人？」（1-4分）来测社会信任。但大量研究（如Steenkamp & Baumgartner, 1998; Davidov et al., 2014）发现，东亚被试和北欧被试对「信任」这个词的理解存在系统性差异——东亚文化里「信任」更偏向关系性、情境性的判断，而北欧更偏向普遍性的态度。如果你不做测量等价性检验，直接比较均值，你得到的「东亚社会信任度更低」可能只是「东亚被试对4点量表的锚点理解不同」的产物。

机制是这样的：测量不变性有三个递进层次——形态等值（configural，因子结构相同）、度量等值（metric，因子载荷相同）、标量等值（scalar，截距相同）。只有达到标量等值，均值比较才有意义。但现实中，大量已发表研究连度量等值都没报告，更别说标量等值。

更反直觉的是：样本量越大，测量不变性检验越容易「显著地拒绝」标量等值——因为卡方检验对细微的载荷差异极其敏感。于是我们面临一个两难：小样本检验不出差异（可能只是统计功效不足），大样本又几乎必然拒绝等值（因为真实世界没有完美的等值）。

我的观点是：测量不变性不是「事后检验」的统计细节，而应该是研究设计的「先验约束」。在收集数据之前，你就应该问：我要比较的这两个群体，对这道题的理解方式是否可能不同？如果可能，你需要设计锚定题项（anchoring vignettes）或混合方法去校准。

值得辩论的问题是：当标量等值被拒绝时，我们是应该放弃均值比较，还是应该用部分等值（partial invariance）继续推进——而后者往往被批评为「数据拟合的自我合理化」？