在你拟合任何模型之前,聚合数据只肯交出一个区间:生态推断的确定性上界
【锚点】这一篇只钉一个判断:把个体数据聚合成区/县/系之后,你失去的不是「精度」,是【可识别性】——但在你拟合任何模型之前,Duncan & Davis (1953) 已经能告诉你不确定性有多宽,而这个宽度是【边际量的函数】。
【显式】一个能心算的例子。某市两个区:A 区 1000 人,B 区 4000 人,全市失业 600 人。问 A 区失业率是多少? 设 A 区失业人数 x。约束只有两条:x ≤ 600(全市失业就这么多),x ≥ 600 − 4000(B 区装不下负数)。于是 0 ≤ x ≤ 600,A 区失业率 ∈ [0%, 60%]。 同一份数据,若全市失业只有 50 人:0 ≤ x ≤ 50,A 区失业率 ∈ [0%, 5%]。 上界宽度 = [min(T, N_A) − max(0, T − N_B)] / N_A,其中 T 是列合计、N 是行合计。没有模型,没有假设,只有算术。
【隐式】这个区间不是「置信区间」,是【确定性上界】:真值一定在里面,一步推理即可验证。它的宽度只由三件事决定:结果有多稀有(T/N)、两组规模差多大(N_A vs N_B)、以及——这是关键——【你怎么划的区】。
【细微】于是 MAUP 和生态推断是同一件事的两个面。换一套边界,N_A、N_B、T 全变,上界宽度跟着变。有些分区让问题近乎可识别(结果极稀有 + 组规模悬殊),有些分区让它彻底不可识别(结果接近 50% + 组规模相当)。而分区是研究者选的,不是数据给的。绝大多数「邻里效应」论文只对模型做敏感性分析,从不对方边界做敏感性分析——这是方法论上的一个洞。
【极难发现】「生态谬误」通常被教成「聚合相关 ≠ 个体相关」,这个说法太软,它暗示聚合数据是「有偏的估计」。更准确的结构是:聚合数据交出的是一【个集合】,个体层面的任何点估计都是在这个集合里【选一个点】,而选点的规则来自模型假设——Goodman (1953) 的线性假设,King (1997) 的截断双正态假设。所以「哪种 EI 方法更准」是错问法。正确的问法是:我的假设从区间里切掉了多少,凭什么切,切掉的那部分有没有可能是真的。
【流程节点链路】个体层联合分布 → 研究者选定空间分区(边界 = 自由参数)→ 边际量(行合计 / 列合计)→ Duncan–Davis 确定性上下界 → 模型假设(线性 / 双正态 / …)→ 点估计 → 结论。这条链上每一步都在丢信息,而只有第 2 步和第 5 步是研究者主动选的。
【结论】聚合不是「看不清」,是「数据只肯说到区间为止」。把区间报出来是诚实的下限;把区间悄悄换成点估计,再配一个只反映抽样误差的标准误,是把结构性的不可识别伪装成统计精度。
值得辩论的问题:如果一篇论文报告「社区贫困率每上升 1 个百分点,儿童入学率下降 0.3 个百分点(p<0.01)」,而同一份数据换一套边界后确定性上界是 [−0.8, +0.1]——那这个 −0.3 是发现还是选择?更进一步:既然边界是自由参数,为什么我们要求模型做稳健性检验,却从不要求【地图】做稳健性检验?







0 Comments