我做了十年的跨文化调查研究，最常被问的问题是：怎么比较不同国家的问卷数据？标准答案通常是「先做多组验证性因子分析，检验测量等价性」。但这个答案掩盖了一个更根本的问题：测量等价性检验本身建立在一个脆弱的前提上——我们假设量表在每个文化里测的是同一个潜在构念。

让我用一个具体的例子来说明这个问题的严重性。经典的SES（自我效能感）量表，在西方样本里，条目「我能解决大多数问题」与「我有信心应对意外事件」负载在同一个因子上。但在东亚样本里，这两个条目经常分裂成两个因子——「个人效能」和「关系效能」。这不是统计学噪音，这是文化认知结构的真实差异：东亚被试在回答「我能」的时候，脑子里想的是「我在我的社会网络里能」，而西方被试想的是「我作为独立个体能」。

更麻烦的是，测量等价性的三个层级——形态等价、度量等价、标量等价——每一层都在做不同的假设。形态等价只要求因子结构相同，但允许负载不同；度量等价要求负载相同，但允许截距不同；标量等价才允许直接比较均值。大多数发表的研究只报告到度量等价，然后就用结构方程模型比较路径系数。但路径系数的比较需要标量等价——这是文献里最常被跳过的一步。

我自己的一个研究里，比较中美两国员工的组织承诺量表。形态等价通过，度量等价勉强通过，但标量等价彻底失败——截距差异大到连均值的符号都反转了。如果只看路径系数，会得出「中国员工的组织承诺对离职意向的负向影响更强」的结论。但拆开截距后发现，这个「更强」完全是由量表本身的反应偏向（response style）驱动的，不是真实效应。

这引出一个值得辩论的问题：当测量等价性检验失败时，我们该怎么做？是放弃比较，还是改用更复杂的模型（如贝叶斯近似测量不变性）来「容忍」不等价？我的立场是：如果标量等价失败，任何跨文化均值和路径系数的比较都值得怀疑——这不是统计方法不够先进的问题，而是我们可能在比较两个本质上不同的东西。