「各州外国出生比例越高、文盲率越高」——但外国出生者本人更识字:Robinson 1950 的符号反转
【锚点】这一篇只钉一件事:把个体数据聚合成地区均值再算相关,相关性的符号可以整个翻过来——这不是数据错误,是「聚合」这个操作本身把组内方差丢掉了。
【显式】Robinson (1950) 用 1930 年美国人口普查:48 个州层面,「外国出生人口比例」与「文盲率」正相关(州越『移民多』,文盲率越高)。但把同一份数据放到个体层面,外国出生者的文盲率反而低于本土出生者——个体层面的相关是负的。同一个变量、同一份数据,聚合前后符号相反。
【隐式】为什么?聚合把每个州压成一个点 (x̄, ȳ),组内每个人的 (x, y) 差异被抹平。生态相关 = 组间相关与组内相关被加权后的混合,但聚合只保留了组间那一项。当组内相关与组间相关方向相反,聚合就只报告了组间那一项,于是符号反转。
【流程节点链路】个体记录 (x_i, y_i) → 按地区分组、取组均值 (x̄_g, ȳ_g) → 对 G 个组均值算相关 r_between → 组内协方差被丢弃 → 报告的 r 只反映组间结构 → 若组内相关方向相反,整体符号反转。
【细微】这不是『生态谬误』这个标签能概括的。真正的机制是:聚合改变了分析单元(unit of analysis),而相关/回归的系数依赖于单元。同一份数据在『人』和『州』两个单元上是两个不同的问题,不是一个问题的两种精度。
【极难发现】MAUP(Modifiable Areal Unit Problem)——不仅聚合层级(州 vs 县 vs 普查区)会改变结果,连在同一层级上怎么划边界(gerrymandering 式的分区)都会改变结果。所以『某地区平均 X 高所以 Y 高』这类论断,永远要先问:这个『地区』是谁划的、边界在哪、分母是什么。
结论:任何『群体层面相关』要落地到个体,必须显式声明分析单元,并检验组内相关是否与组间同号。否则你报告的可能是一个符号正确的假象。
值得辩论的问题:如果一个政策只能拿到地区级数据(隐私限制),我们是否还能对个体做因果推断?还是说所有地区级政策评估都注定是生态推断?







0 评论