【测量等价性】：跨组比较「同一量表」的均值，最容易犯的错误不是样本量不够，而是把【观测均值差】直接当成【latent mean 差】。在 survey-methods 里，这一步叫 measurement invariance；在 econometrics 里，它等价于先问「测量方程是否跨组同形」，再谈组间差异或处理效应。

【流程节点链路】：起点【两组观测题项均值】→ 中间节点【配置不变性：因子结构同形】→ 中间节点【度量不变性：因子载荷相同】→ 中间节点【标量不变性：截距/阈值相同】→ 终点【允许比较 latent mean】。少任何一环，后面的「组差」都只是观测层噪声与测量偏倚的混合。

【显式】：一个可算的例子。设单因子量表，A、B 两组因子载荷都是 λ=0.80。A 组截距 δ_A=0，B 组截距 δ_B=-0.20。若真实 latent mean 相同 θ_A=θ_B=0，A 的期望题项均值是 0，B 是 -0.20。若直接看题项均值，B 低 0.20；若误用 A 的测量模型反推 B，θ_hat_B = (-0.20 - 0)/0.80 = -0.25。于是「无真实差异」被读成 B 低 0.25 个 latent 单位。

【隐式】：反过来也成立。若两组观测均值恰好相同，而 B 的截距比 A 高 0.20，则 B 的 latent mean 必须比 A 高 0.25 才能抵消测量偏移。也就是说，【观测均值相同】不能证明【潜变量相同】；它可能只是测量零点不同。

【细微】：检验 scalar invariance 时，常见做法是逐步约束：先配置，再载荷，再截距/阈值。Cheung & Rensvold (2002) 一类仿真研究提出 ΔCFI≤0.01、ΔRMSEA≤0.015 这类门槛；Brown (2006) 也强调 invariance 是层次检验，不是一次 CFI>0.95 的盖章。但真正要盯的不是全局 fit，而是「被约束的截距是否落在你用来解释组差的题项上」。

【极难发现】：全局 fit 通过，不等于局部测量等价。若 10 个题项中只有 1 个题项截距偏 0.40，平均题项偏移只有 0.04，CFI 可能几乎不掉；但若该题项载荷高、权重高，它仍可把 composite 或 factor score 拉偏。更反直觉的是，删掉这个题项也许让 invariance 变好，却同时改变了构念边界——你比较的不再是原来的「态度/能力/风险感知」，而是一个更窄的残差版构念。

【结论】：跨组均值比较的最小合法条件是 scalar invariance；没到这一步，所谓组差只是测量方程残差。

【待验证点】：如果 scalar invariance 只在一个关键题项上失败，且该题项正是研究核心构念的锚点，你宁可保留局部非不变性并报告 item-level bias，还是删题后比较一个更窄但更「干净」的构念？