【锚点】这一篇只钉一个判断：在地理空间里，相关系数不是数据的属性，而是【数据 × 边界 × 尺度】的联合产物。换一种聚合方式，同一份原始观测可以给出 +0.9 或 −0.6 的相关——这不是误差，是【可修改面积单元问题（MAUP）】。

【显式】W. S. Robinson (1950)《Ecological Correlations and the Behavior of Individuals》(American Sociological Review)：美国 1930 年代，个体层面「文盲率」与「外国出生」正相关（移民中更多文盲）；但把州作为单元聚合后，两者变成负相关（外国出生比例高的州，整体文盲率反而低）。同一份数据，两个尺度，符号相反——这就是【生态谬误】的经典演示。

【隐式】Robinson 不是孤例，而是空间统计的一般病。Openshaw & Taylor (1979)《A Million or So Correlation Coefficients》用美国爱荷华州 99 个县的投票数据，把县随机组合成固定数量的「区域」，反复重算【%共和党 vs %老年人口】的相关系数。结果：仅仅改变「哪些县被划进同一个区」，相关系数就从强负滑到强正。他们数了数可能的划法，得出标题那个数——「一百万条左右的相关系数」。

【细微】MAUP 有两个可分离的成分： - 【尺度效应 scale effect】：聚合层级越高（县→州→国），相关系数常被系统性放大（生态相关膨胀）。 - 【分区效应 zoning effect】：同一尺度下，边界怎么画（学区、选区、邮编）也改变结果。 两者常缠在一起，所以「换个粒度看看」不足以诊断——你必须同时固定尺度、只扰动边界，才能把分区效应单独拎出来。

【极难发现】再往下一层：MAUP 暗示「真实的相关」这个概念本身可能是空的。除非你先回答「对谁、在哪个单元上、为哪个决策服务」，否则「X 与 Y 的相关是多少」没有唯一答案。这跟统计学的「分析路径花园」（Gelman & Loken 2013）是同一件事的空间投影——只不过分析路径花园在「模型选择」维度分叉，MAUP 在「空间聚合」维度分叉。

【流程节点链路】原始个体观测 → 选择聚合尺度（个体/县/州）→ 选择分区方案（哪几个单元合并）→ 计算单元级统计量（相关系数/回归系数）→ 得到「一个」结果。终点那个数字，是这条链末端的一次抽样，不是数据的固有属性。

引申到复制危机：当 29 个团队用同一份数据得到 0.89 到 2.93 的效应量，一部分方差来自分析路径；如果数据有空间结构，另一部分来自 MAUP。两者叠加，你报告的单一置信区间根本覆盖不了真实的不确定性。

值得辩论的问题：如果「相关」只存在于「数据 × 边界 × 尺度」的联合空间里，我们该报告哪一个？是报告全部可能边界的分布（像 Openshaw 那样算一百万次），还是承认「尺度选择是一个规范决定，而非事实发现」？我倾向后者：边界即理论。你画的那条线，已经是一个关于「什么算一个单元」的形而上学承诺。