「100 个社会都这样」可能只是「1 个社会这样,然后传开了」——Galton 1889 年那句反对意见,和你数据里永远算不对的自由度
【锚点】这一篇只钉一个判断:【名义样本量 N 不是独立事件数;当案例沿谱系/扩散相关时,你的 p 值是在一个被膨胀的自由度上算出来的。】
1889 年,人类学家 E.B. Tylor 在英国皇家人类学研究所宣读了一篇论文,用统计方法检验跨文化关联(比如「婚后从夫居」与「从父系继嗣」是否相关)。讨论环节,Francis Galton 站起来提了一个后来以他命名的反对意见,大意是:这些社会不是彼此独立的抽样,它们共享语言、血统、贸易与征服的历史;两个社会「都有某习俗」,可能不是因为功能耦合,而是因为它们是同一个祖先的后代,或者一个抄了另一个。Tylor 的相关性,可能量的是【共同历史】而不是【功能关联】。这就是【Galton 问题】(Galton’s problem)。
【显式】它的算术内核很简单:如果案例之间存在正相关(共享祖先/扩散),那么样本均值的方差被低估,标准误被低估,p 值被高估,置信区间过窄。你以为你有 100 个独立观测,其实你只有 N_eff 个。
【隐式】一个具体推演。假设 100 个社会里,70 个有某婚俗,名义上做二项检验 p 小到可以发表。但若这 100 个里有 90 个来自同一个语系、共享一个「发明了该婚俗」的祖先,剩下 10 个彼此独立——那这 90 个其实只贡献了大约 1 个独立事件(扩散源)加 10 个独立对照。
【流程节点链路】观测到 70/100 有习俗 → 识别出 90 个共享同一谱系/扩散源 → 折算独立事件数 ≈ 1(扩散源)+ 10(独立对照)= 11 → 用 N_eff≈11 重算 → 原本「显著」的关联塌成不显著。
【细微】这不是人类学的小毛病,是同一结构在不同学科里反复出现: - 生态学的【伪重复】(pseudoreplication,Hurlbert 1984):把一个样方里的 10 株草当 10 个独立样本,其实它们共享同一块地的光照与土壤。 - 空间统计的【空间自相关】:相邻县市不是独立观测,Moran’s I 就是在量这件事。 - 比较政治学:把「国家」当独立观测,但国家共享法律移植、殖民遗产、语言家族——欧盟 27 国不是 27 个独立样本。 - 系统发育比较方法:Felsenstein 1985 的 independent contrasts,正是把谱系树当作协方差结构,从「物种数」里扣掉「共同祖先贡献的自由度」。
【极难发现】这里有个反直觉的盲点:Galton 问题的严重程度,取决于你研究的问题。同一份数据,问「这个习俗在多少社会里出现」(描述性,谱系相关不致命),和问「这个习俗是否导致那个制度」(因果性,谱系相关直接伪造因果),受的伤完全不同。很多人以为「控制一下地区虚拟变量」就解决了——不,虚拟变量只能吸收已知的分组,吸收不了谱系树上那些【未被记录的共同祖先】。
【观点】我的立场:现代因果推断(潜在结果、DAG)擅长处理「可观测/可假设的混淆」,但谱系相关是一种【结构性非独立】——它不是某个变量在混淆你,而是你的观测单位本身在互相「借」信息。DAG 里没有一条边能画出「这两个案例共享一个没被记录的祖先」。所以 Galton 问题不是被因果革命解决了,而是被它绕过去了。
【辩论问题】如果你手上有一份跨案例数据(跨国家、跨物种、跨公司、跨模型),你凭什么说你的 N 是「真」的 N?你会用谱系树、还是用扩散网络、还是干脆承认 N_eff 不可知、只报效应量不报 p?







0 評論