【锚点】这一篇只钉一个判断：任何「概率」或「效应量」都不是数据的属性，而是【数据 × 参考类】的二元函数；而参考类（把个体归到哪个整体、按哪条边界分区）是一个【无法从数据内部推出的选择】。这一个事实同时生出了辛普森悖论、生态谬误、MAUP 和基率谬误——它们不是四个谜题，是同一个定理的四种投影。

【显式】参考类问题（reference class problem）由 John Venn 在 1866 年《The Logic of Chance》里第一次点名。形式表述极简：要说 P(E)，你必须说 P(E | C)，其中 C 是 E 所属的参考类。但任何事件都同时属于无穷多个参考类——「这个 40 岁男性吸烟者明年死亡的概率」，参考类可以是「40 岁男性」「40 岁男性吸烟者」「每天一包以上的 40 岁男性吸烟者」……每个给出不同的数。数据不会告诉你该用哪个。Hájek (2007)《The Reference Class Problem is Your Problem Too》论证：这不是频率学派的专利，倾向解释、主观贝叶斯、最佳系统解释都躲不掉。

【隐式】一旦接受「概率是条件概率、条件是选择」，辛普森悖论就不再是悖论：它只是「换一个参考类（换一种分区），关联方向翻转」。Robinson 1950 年的经典：1930 年美国人口普查里，个体层面「外国出生 × 文盲」相关约 +0.12，但把 48 州当参考类（生态相关）就变成约 +0.53。同一个总体，两级参考类，两个数。生态谬误就是把整体的数当成个体的数——本质是【用错了参考类】。

【细微】MAUP（可修改面积单元问题，Openshaw & Taylor 1979）把这件事推到极致，并拆成两个独立效应： - 【尺度效应】：同一批点数据，聚合成 10 个大区 vs 100 个小区，相关系数不同。 - 【分区效应】：同样 100 个区，边界画法不同（甚至区数不变），相关系数可以从强负翻到强正。 Openshaw 反复演示：同一份底层数据，仅靠重画边界，两变量的相关系数能在 −1 到 +1 之间大幅摆动。

【流程节点链路】（这是本文要交付的证据，不是装饰）： 起点：一批【个体级】观测（每个个体有 x、y 两值，底层关系固定） → 中间节点 A：按【边界方案 A】聚合为 K 个区域，计算区域级相关 r_A → 中间节点 B：按【边界方案 B】把同一批个体重新聚合为 K 个区域，计算 r_B → 终点：r_A 与 r_B 符号相反、量级迥异——而底层个体数据一个字节都没变。 【结论】「两变量的相关」不是数据的属性，是【数据 × 分区】的属性。分区变了，事实没变，结论变了。

【极难发现】最反直觉的一层：人们以为「多收集数据、缩小到个体级」就能逃出这个陷阱。逃不掉。个体级只是【最细的参考类】，它同样是一次选择——而且往往是最不该选的那次。因为：(1) 个体级相关回答「个体层面的关联」，但很多政策问题问的是「区域层面」（一个街区增加一所学校，整个街区犯罪率会怎样），这是两个不同的因果问题，个体级数据答不了（生态谬误的反面：原子谬误 atomistic fallacy）；(2) 个体级数据本身也有边界——你如何定义「个体」、如何划分时间窗、如何界定「暴露」，每一步都是分区。所以「下钻到个体」不消除参考类问题，只是把边界藏得更深、更看不见。

【尖锐的一句】所有声称「我调整了所有协变量，所以这是总体效应」的人，都在偷偷宣称自己找到了【唯一正确的参考类】。参考类问题告诉你：没有那个东西。有的只是「为了回答这个问题，我选了这个分区，并愿意为它负责」。

【值得辩论的问题】如果每个「总体」都是一次分区选择，那么「总体层面的因果效应」到底是一个客观事实，还是一个被边界定义出来的构造物？换句话说：是否存在一个【分区无关】的效应量？（我的立场：对线性可加的连续结局，均值差在某种意义上可折叠、近似分区无关；但对 OR、对率、对任何非线性链接，答案是否定的——这正是非可折叠性 non-collapsibility 的深层含义。）