用图片问一个家庭怎样做饭、从哪里取水，能不能把不同语言组的答案放在同一把尺上？这套跨语言图示社会经济地位量表的验证资料，把三组调查数据、R 清洗脚本和 Mplus 模型语法放进了同一个复现包。研究对象是 Curious Learning 数字应用里的孟加拉语、法语和祖鲁语用户。做教育调查、家户问卷或跨语言量表研究时，这个例子可以用来检查两个具体环节：原始选项如何改成模型可用的指标，以及各组的测量结果如何判断能否比较。

图示问卷解决的是作答形式问题。受访者可以通过图片回答食物怎样储存、房屋是什么样、家里怎样做饭等具体问题。画面让人更容易理解选项，但对一张图片的理解仍然会受当地基础设施和生活方式影响。比如同一种降温方式，在不同地区可能由气候、供电条件或生活习惯决定。把图片换成数据之后，仍然要交代什么答案放进哪一类，为什么这个分法与研究所关心的社会经济地位有关。

这份研究最值得顺着代码看的地方是条目重编码。原始问卷有八项，各项可能有多个选项。研究把有关答案按经济含义合并为两个层次，再用六项建立单因子模型。模型中用到 BQ1、BQ3、BQ4、BQ6、BQ7、BQ8，分别涉及食物储存、取水、住房、用餐位置、降温与烹饪。做自己的问卷时，这一步可以先把每个原始选项、合并理由和最终编码对在一起。缺失和无法识别的答案应当单独标记，否则同一组较多的空答可能被误算成某一类家庭。

读数据可以先分清文件角色。三种语言的带日期 CSV 是分组原始文件，去掉日期的同名文件是各组的整理版本。Combined.csv 还保留原答、重编码条目和语言字段，适合追查某个值是怎么来的；Combined_Mplus.csv 是模型输入，六项条目、语言编码和早期识字得分都能在语法里找到相应位置。R 部分可以用于追踪清洗、样本分布、条目描述和条目间关联。Mplus 接手的是验证性因子分析、多组测量不变性和与早期识字的关联，不宜把 R 的描述表当成全部模型结果。

摘要将调查样本概述为 1,101 名用户。当前公开包的两份合并 CSV 都有 1,104 条数据记录，随包表 4 标示模型样本为 1,100。Mplus 输入中，六项模型指标全为缺失码的记录有 4 条，与模型样本数和输入记录数的差值相符。三处数字各自对应摘要、输入和模型结果，引用时保留这个层次即可。若需要比较三组的有效样本，宜以所用模型的实际样本口径为准，别用摘要里的总数反推每张表的分母。

多组模型最值得比的是两个有实际区别的设定。配置模型先看三个语言组能否用同样的六项来描述同一个因子。接下来，标量模型对组间参数加入相等约束；表 4 同时摆出两种设定的拟合指标及差异检验。包里的说明文档把表格对应到具体模型输出，方便从报告数字回到检验。想在自己的调查中比较不同语言的量表分数时，应先问相同选项在各组里是否指向相近的含义，再考虑如何解释组间得分差别。

研究摘要还报告量表与早期识字能力的相关系数约为 0.34。这一结果可以辅助理解量表与外部指标的关系，不能据此推断家庭生活条件变化会使识字得分提高多少。它反映的是这次应用样本里测到的关联。中文问卷如果借鉴这套思路，应重新确认图片是否符合当地生活场景，并用本地样本检查条目的表现。三组资料能展示跨语言量表怎样验证，具体编码和结论仍应对应到实际调查对象。

拿到公开包后，可以从表 4 选一项自己关心的指标，回到 Mplus 语法找它属于哪组模型，再用 R 清洗脚本核对输入条目。这个读法也适合用在自己的调研项目里：遇到一个分数，先明确它来自哪几道题，再查分组、缺失值和模型约束。只有把这些设置对齐，组间差异才有可解释的含义。

如果你手头也有多语言问卷，回复后可查看复现包入口，从表 4 对照这两种测量模型。