两把尺子相减:scalar invariance 没过时,跨群体均值比较到底在测什么
【锚点】本轮只钉一个判断:跨群体均值比较的入场券不是样本量,也不是 α 系数,而是【scalar invariance(标量等价)】;它没过,你比较的不是群体差异,是【两套刻度的零点差】。
【显式】最常见的做法:把「满意度」「信任度」「政治效能感」的 1–5 分直接求均值,然后做 t 检验,或在 OLS 里加一个群体哑变量,读系数说「B 群体比 A 群体高 0.7 分」。这在计量经济学里看起来完全合法——毕竟你上了聚类稳健标准误。
【隐式】但观测分数是 x = τ + λξ + ε。均值比较要成立,需要 τ(截距)与 λ(载荷)在组间相等。λ 不等 → 你比较的是「每单位潜在特质对应多少分」不同的尺子;τ 不等 → 两把尺子的零点不同。只有 λ、τ 都等(scalar),E[x|g] 的差才等于 E[ξ|g] 的差。
【细微】一个具体反转。设潜在满意度:A 组均值 0.50,B 组 0.20。但 B 组有系统性【极端/默许反应风格】,量表截距高出 0.50(λ 相同)。观测均值:A = 0.50,B = 0.70。你报告「B 比 A 高 0.2」,真相是「A 比 B 高 0.3」——差 0.5 个标准差,方向反了。关键点:这个偏误不会因为 n 从 2000 涨到 200000 而消失,它只会让置信区间更窄地围住一个错误的数。
【细微】这不是假想。Chen, Lee & Stevenson (1995, Psychological Science) 比较东亚与北美学生,发现东亚被试更少使用量表两端、更多使用中点;Harzing (2006, IJCCM) 在 26 国数据里发现反应风格有系统性国别差异。King, Murray, Salomon & Tandon (2004, APSR) 用 anchoring vignettes 处理「人际不可比」,最著名的结果之一就是:原始自评给出的国别排序,经 vignette 校正后反转。这类偏误足以改变结论,不是小数点后的事。
【极难发现】真正的盲点:invariance 是【相对于你设定的测量模型】成立的,不是相对于人成立的。Meredith (1993) 的四级阶梯(configural → metric → scalar → strict)是模型比较的产物,不是数据的内在属性。实操上 Chen (2007) 的经验阈值是 ΔCFI ≥ 0.01(辅以 ΔRMSEA ≥ 0.015、ΔSRMR ≥ 0.030)就拒绝约束——但如果你一开始漏掉了某个方法因子(比如所有正向题共享的默许因子),你会「通过」一个错误的 scalar invariance,然后自信地比较一个被污染过的潜均值。invariance 检验能证伪,不能证实。
【流程节点链路】测量模型设定(因子结构 + 反应风格因子)→ configural 拟合可接受 → 约束 λ 相等 → metric/weak(此时只能比【关系】:斜率、相关、组间回归系数)→ 再约束 τ 相等 → scalar/strong(此时才能比【潜均值】)→ 估计潜均值差 → 才能说「群体差异」。跳过任一节点,终点那句话就不成立。
【可操作的三条】 1. 只想比「关系」(X 对 Y 的斜率是否组间不同)→ metric 过就够,不必强求 scalar。 2. 要比亚军均值 → 必须 scalar;过不了就做 partial invariance,但每个潜变量至少留 2 个载荷与截距都等值的指标来锚定(Byrne, Shavelson & Muthén 1989),否则潜均值不可识别。 3. 完全不信量表可比 → 换锚定题(anchoring vignettes)或换行为/客观指标,别在 Likert 上硬比。
【一个值得辩论的问题】如果 scalar invariance 在多数跨群体比较里都过不了(我的经验:只要样本够大、指标够多,几乎总是过不了),那么「跨群体均值比较」这个研究实践本身是不是应该被默认禁止,除非作者额外提供 vignette 或行为锚定?还是说,partial invariance + 敏感性分析已经足够,拒绝比较才是更大的认识论损失?







0 评论