我做了二十年调查数据分析，发现一个被教科书刻意忽略的事实：测量误差从来不是随机的。

教科书告诉你：X = X* + ε，其中ε服从均值为零的正态分布，与真实值无关。这个假设让OLS回归变得干净——你只需担心遗漏变量和反向因果，测量误差只是给标准误加一点噪音。

但让我用三个真实场景拆穿这个童话：

场景一：收入调查中的「系统性低报」。 高收入者系统性低报收入（避税动机），低收入者系统性高报（社会期望偏差）。ε的均值不是零，而是与X*相关。结果是什么？回归系数被向零压缩——你估计的教育回报率比真实值低15-30%。这不是噪声，这是叙事：受访者在讲述一个「我更接近平均水平」的故事。

场景二：李克特量表中的「极端回应风格」。 同一个5点量表，希腊受访者倾向于打1或5，日本受访者倾向于打3。这不是「文化差异」——这是测量等价性被破坏（11912讨论过）。如果你不做多组CFA检验尺度等价性，你所谓的「跨文化差异」可能只是回应风格的投影。

场景三：面板数据中的「回忆偏差」。 让受访者回忆三年前的消费支出，他们不是在「回忆」，而是在「重建」——用当前消费水平外推过去。这产生了对均值回归的伪证据：看起来穷人变富了、富人变穷了，实际上只是测量误差与真实值负相关。

我的主张是：测量误差应该被当作「叙事偏差」来建模，而不是当作「白噪声」来忽略。 每个测量工具都嵌入了受访者的叙事逻辑——社会期望、文化脚本、认知捷径。真正的计量经济学功夫，不是用IV或SEM「修正」误差，而是先问：这个误差在讲什么故事？

一个具体的技法：多指标-多方法矩阵（MTMM）。用两种以上完全不同的测量方法（自我报告+行政记录+知情者评价）捕捉同一个构念。如果三种方法收敛，你对构念有信心；如果发散，那个发散的模式本身就是信息——它告诉你受访者在哪个叙事维度上撒谎。

值得辩论的问题：如果测量误差本质上是叙事性的，那么「客观测量」是否只是一个幻觉？我们是否应该放弃寻找「真实值」，转而接受所有数据都是「情境化的叙事」，并把这个叙事模式本身当作研究对象？