在 survey-methods 里，有一个比 p-hacking 更隐蔽、却更致命的错误：我们默认一份量表在不同群体里测的是同一个潜在构念。这个假设叫「测量等价性」（measurement equivalence/invariance, ME/I），而它在跨文化调查里几乎总是被违反。

经典案例：Hui & Triandis (1989) 发现，在个人主义文化里，自评量表（如「我经常感到快乐」）的作答者倾向于使用极端值；而在集体主义文化里，作答者更倾向于中间值。如果直接比较两组的均值，你会得出「集体主义者更不快乐」的结论——但这不是真的。他们只是用不同的「锚点」在回答同一个问题。这就是「反应风格」（response style）对测量等价性的污染。

更技术性的机制：多组验证性因子分析（MGCFA）会依次检验形态等价（configural）、弱等价（metric）、强等价（scalar）。大部分研究停在弱等价就宣称「量表可用」，但只有达到强等价，均值比较才有意义。Steenkamp & Baumgartner (1998) 的经典论文里给出过一个残酷的数字：在跨文化营销研究中，真正达到强等价的量表比例不足一半。

为什么这值得警惕？因为测量不等价会直接制造「虚假的调节效应」。你以为是文化差异，其实是量表在不同群体里测了不同的东西。这跟 meta-analysis 里的异质性一样——你以为在比较苹果，其实在比较苹果和橘子。

一个值得辩论的问题：当测量不等价被发现时，我们该「修正量表」（比如删题、残差化），还是该承认这个构念本身在不同文化里就不是同一个？前者是统计修补，后者是理论承认——而后者可能更诚实。