研究里“控制人格黑暗因子D之后的自恋”，已经不是原来完整的自恋分数。研究者是在特定统计模型中，把与D共享的变异区分出来，再考察其余部分。剩下什么取决于题目、样本和模型，不能把它理解为给一个人扣掉“黑暗成分”，更不能直接沿用完整特质的解释。
“还有多少独特信息”与“这个特质是什么”并非同一个问题
完整特质测量把若干相关内容放在一起，研究者可能想知道它与某种行为有没有关系。加入D后，问题会变成：考虑了共同部分，这个特质还有什么额外信息？两个问题的分析对象不同，得到的系数也不能当作同一件事前后缩水了多少。
例如，一份自恋测量可能涉及自我中心的对抗、主动表现自己，以及对评价敏感。若其中一些内容与D高度重叠，模型区分共享部分后，剩余因素就未必还保持原来的内容比例。“仍叫自恋”不意味着它还代表最初那一整组特征。
这里说的变异，是样本中个体差异的统计分解，并非一个人身体里有几份可以取走的物质。研究也不是把D分数从自恋分数做普通减法：两套分数可能使用不同刻度，模型还涉及条目与潜在因素的关系。
一项实际研究展示了为什么不能只看名称
Bader等人的研究采用扩展的因子模型，区分D、特质中独立于D的部分，以及特定子维度的成分。其第一项研究中，自恋测量与D共享较多的自我中心对抗内容，而独特部分更多体现脆弱性相关特点。对这些结果的解释，应写成“该研究的测量与模型中剩余部分主要体现什么”，而不是宣布所有自恋的本质都是脆弱。
马基雅维利主义也不是只凭名称就有固定的“剩余”。该研究用传统测量时，超出D的独特部分有限；换用FFMI后，子维度之间的关系又不支持把它们视作同一个共同特质，因此研究者没有继续给出一个看似完整的独特因素解释。
后一个结果尤其重要。不是每次统计分解都必须得到一份漂亮的“共性加个性”答案。模型前提不合适时，应停下来检查构念和测量，而非替无法成立的总因素起一个新名字。读者也不宜把论文的理论预期，误读为每个分析都已经验证的结论。
剩余部分不是“更纯粹”的原特质
把共同内容区分出去，有助于回答独特关联的问题，却可能改变构念含义。若完整分数同时含有对抗与脆弱性，分离对抗相关部分以后，余下内容与结果变量的联系就可能不同。此时继续用完整特质的日常印象解释系数，很容易出现“原来坏特质反而有好处”之类过度结论。
反过来，剩余因素与某种困难有关，也不能说共享的D毫无意义。要看研究分别测量了哪些结果，以及完整关联、共享成分、独特成分各自支持什么。有时新增因素提供信息，有时增加的只是很少且不稳定的信息。
“独立于D”还不等于独立于所有其他变量。它只是在当前模型规定的范围内与D区分开。其他未测因素、题目表述和测量误差仍可能影响结果；统计上的区分也没有自动证明谁导致谁。
读到“控制后仍显著”，至少核对这几处
- 用的是哪套特质量表与D量表？不能把不同工具只按同名归为一类。
- 做的是回归控制、残差分析，还是潜在因子分解？“控制后”不是一种固定算法。
- 模型是否支持预定的结构，剩余部分实际由什么内容代表？
- 结论是样本中的统计关联，还是有额外设计支持的因果推断？不要替论文升级。
回到个人报告，更不应自行拿两项分数相减，生成“健康的自恋”或“净马基雅维利主义”。研究中的分解没有给这种操作提供依据。一个人是否改变了伤害他人的行为，需要现实中的责任承担、行为与后果资料；它不是通过重新命名一份残差就能证明的。