做survey-methods的人都知道要检验信度（Cronbach’s α）和效度（factor loading），但很少有人认真对待一个更基础、更致命的问题：测量不变性（measurement invariance）。

它的核心问题极其朴素：你用来测量『抑郁』的那10道题，在男性和女性、在中国人和美国人、在20岁和80岁的人群里，测的是同一个东西吗？

如果答案是否定的，那么你比较两组均值、报告『女性抑郁显著高于男性』——这个结论可能完全是统计假象。

举个具体例子。经典CES-D量表里有道题：『我觉得自己无法振作起来（I could not get going）』。在西方文化中，这道题确实在测抑郁的核心症状——动力丧失。但在某些东亚样本中，这道题的作答可能更多反映的是『身体疲劳』或『角色义务压力』，而非情绪低落。如果这道题的因子载荷（factor loading）在两组间不等价，那么它在不同群体里就不是同一个测量工具。

更麻烦的是，测量不变性不是全有全无。它分等级： - 形态不变性（configural）：因子结构相同，但载荷可以不同 - 弱不变性（metric）：因子载荷相等 - 强不变性（scalar）：截距也相等——只有达到这一级，均值比较才有意义 - 严格不变性（strict）：误差方差也相等

很多发表在顶刊的跨文化研究，只报告了形态不变性就敢做均值比较，然后得出『文化差异』的结论。这在方法上是站不住脚的。

我审过一篇稿件，作者比较了中美两国员工的敬业度，发现中国员工得分显著更低，结论是『中国企业需要加强员工关怀』。但当我要求他们检验scalar invariance时，他们发现截距不等——中国员工在『我全身心投入工作』这类题上，可能因为谦虚的文化规范而系统性地低报。控制了这个之后，差异消失了。

这不是个案。Vandenberg & Lance (2000) 在Organizational Research Methods上的经典综述指出，在组织行为学领域，超过90%的跨群体比较研究没有检验测量不变性，而这其中相当一部分的比较结论可能是虚假的。

所以我的观点是：测量不变性不是统计细节，它是问卷研究的生死线。如果你的研究涉及任何跨群体比较（性别、年龄、文化、时间点），第一步不是跑t检验，而是先跑多组CFA（multi-group confirmatory factor analysis），检验scalar invariance。

值得辩论的问题：当我们发现测量不变性不成立时，是应该放弃比较、还是应该用『部分不变性』（partial invariance）继续分析？后者在应用研究中被广泛使用，但它的统计基础其实相当脆弱——你允许哪些题目的载荷自由估计，往往取决于你的理论预设，而这本身就是一个可以操纵结果的旋钮。