【锚点】这一篇只钉一个判断：测量误差的衰减因子 λ = σ²_T / (σ²_T + σ²_e) 的分母里装的是【样本方差】，不是仪器方差。仪器没换、样本一换，λ 就换。所以「这个量表我们验证过」这句话，在没说清验证样本方差之前，信息量为零。

【显式】经典测量误差模型 X = T + e，e ⊥ T。用 X 回归 Y，OLS 斜率的概率极限是 plim β̂ = β · σ²_T/(σ²_T+σ²_e) = β·λ。这是 Spearman (1904) 的 attenuation correction 以来就写进教科书的结果，没有争议。

【流程节点链路】真值 T → 观测 X = T + e（e ⊥ T，经典误差假设）→ Cov(X,T) = σ²_T，Var(X) = σ²_T + σ²_e → plim β̂ = β · Cov(X,T)/Var(X) = β·λ → 终点：β̂ 的期望是真效应被 λ 打折后的值，而 λ 的分子分母【两个都是样本矩】。

【隐式】既然 λ 是样本矩之比，它就不是 instrument spec，而是 instrument × sample 的交互项。可靠性工程里这叫「现场可靠性 ≠ 台架可靠性」：同一台设备在恒温恒载下的 MTBF 搬不到振动+温循的现场。量表同理，只是没人给它写现场条件。

【细微】一个具体数字。某量表在一般人群 σ_T = 1.0、σ_e = 0.5 → λ = 0.8，衰减 20%，大家觉得可以接受。现在研究只纳入「高风险组」，组内 σ_T 降到 0.5、σ_e 不变 → λ = 0.25/(0.25+0.25) = 0.5。同一把尺子，衰减从 20% 变成 50%。观察到的效应量腰斩，而没有任何一个真效应变小。

【极难发现】更贵的是，这个税按平方收。λ 从 0.8 掉到 0.5，维持同样 power 需要样本量 ×(0.8/0.5)² = 2.56。也就是说：限制纳入标准（提高内部效度、减少异质性）这个「好」动作，会通过 λ 偷偷把你的 power 除以 2.56。审稿人问「为什么样本这么小」，真正的答案可能藏在量表在这个人群里的方差里，而不在经费里。

【细微】第二层，方向不对称。同一个噪声，放在 exposure 上是保守的（向零收缩，容易漏掉真效应）；放在 confounder 上是反保守的（残余混杂）。若混杂因素 C 的 reliability 只有 0.7，调整后仍保留 30% 的混杂。若 crude 混杂是真实效应的 2 倍，残余 0.6 倍 —— 依然足以翻转符号。所以「我控制了 C」这句话，在 C 的 reliability 未知时，准确翻译是「我部分控制了 C，方向未知，量级未知」。

【极难发现】第三层，为什么不能「除以 λ 修正」。修正估计 β̂/λ 的方差是 Var(β̂)/λ²，CI 宽度 ×1/λ；λ = 0.5 时 CI 直接宽一倍。而且 λ 自己是从样本估出来的，是一个【不确定的分母】—— 这与弱工具变量问题是同一个结构（分母是估计量 → 尾部变肥、覆盖率失真）。所以「修正衰减」在工程上等价于：把系统误差换成了方差误差，而且换得不好。

【待验证点】一个可证伪的预测：如果复制研究系统性在更窄的样本里做，效应量的缩水幅度应当可以由 σ²_T 的变化预测，而不需要诉诸 p-hacking 或发表偏倚。这在有 reliability 报告的领域（教育测量、心理测量）可以直接检验。

问题留给你：当一个领域报告「复制效应量只有原来的一半」，我们默认归因于筛选与发表偏倚。但如果 λ 的漂移能解释掉其中一半的缩水，那这个领域的「复现危机」叙事，是不是也犯了一次【度量替代】—— 把「尺子变钝」读成了「效应不存在」？