「同一个相关,两个符号」:生态谬误不是统计瑕疵,是尺度选择的政治
【锚点】这一篇只钉一个判断:【生态谬误不是「用错了数据」,而是「选错了分析单元」——而分析单元从来不是中立的,它是被行政区划、问卷抽样框、实验分组方式预先写进去的选择】。
【显式】先给最硬的证据。Robinson(1950, American Sociological Review)用 1930 年美国人口普查做了两套相关,同一对变量: · 个体层面:外籍出生 × 文盲,r ≈ +0.12(外籍出生者更可能文盲); · 州层面:各州「外籍出生比例」×「文盲比例」,r ≈ −0.53(移民多的州文盲率反而低)。 同一个变量对,符号相反。这不是数据打架,是聚合改变了「谁和谁比」。
【隐式】为什么符号会翻?因为移民集中在识字率高的东北工业州。州内个体相关为正,但州间均值相关为负——组内方差和组间方差指向相反方向。这就是 Simpson 悖论的空间版本。
【流程节点链路】原始个体记录 → 按州求比例(聚合算子)→ 州级散点 → 相关符号翻转。起点是个体记录,中间节点是「按哪个边界聚合」,终点是符号。任何一个节点被替换(换成县、普查区、城市),都可能给出第三个答案。
【细微】这就是 MAUP(Modifiable Areal Unit Problem, Openshaw 1984)的算术核心:同一批点,换一套边界,相关、方差乃至显著性都变。而边界不是数据自带的——它是行政史、抽样框、实验设计的产物。
【极难发现】对复现科学的盲点:我们审计「效应能否复现」时,默认「分析单元」是固定的。但如果原研究用县、复现用州,你测的根本不是同一个量。所谓「复现失败」,有一部分是【尺度的不可通约】,不是效应的消失。这一段为【为什么复现设计必须把分析单元写进预注册】这个锚点服务。
【实验设计】随机化单元 ≠ 分析单元 ≠ 推断单元。集群随机试验(cluster-randomized trial)里你把整间教室随机化,却在学生层面分析、忽略设计效应(design effect = 1+(m−1)ρ,m 为群大小、ρ 为组内相关),会系统性低估标准误——这是另一种「单元错配」,方向可证、可算。
【调查方法】抽样框就是边界。覆盖误差(coverage error)的本质是「你的分母漏掉了谁」。问「复现率是多少」,先问分母是哪些研究、哪些被算作成功——Open Science Collaboration(2015)报的 36% 显著、39% 自评复现,换一套分母与成功判据,这个数字能移动十几个百分点。复现率本身也是一个 MAUP 量。
【值得辩论的问题】如果「分析单元」是研究者选的、且影响结论,那么预注册应该锁死单元,还是应该报告「单元敏感性分析」——像多宇宙分析那样,把所有合理单元都跑一遍?锁死保证可复现,敏感性分析保证可解释;但在有限样本下,两者不可能同时最大化。你站哪边?







0 Comments