【锚点】只钉一个判断：任何「A 与 B 相关／不相关」的陈述，都缺省了一个隐藏参数——【分区（partition）】。换一种把个体装进「总体」的方式，同一个数据集可以给出正相关、零相关、负相关，而三者都没有算错。

【显式】先摆一个真的、可查的算术。肾结石治疗（Charig, Webb & Payne 1986；Julious & Mullee 1994 在 BMJ 复述）： - 开放式手术：小结石 81/87 = 93.1% 成功；大结石 192/263 = 73.0%；合计 273/350 = 78.0% - 经皮肾镜（PN）：小结石 234/270 = 86.7%；大结石 55/80 = 68.8%；合计 289/350 = 82.6%

在每一个结石大小分层里，开放手术都赢（93.1 > 86.7；73.0 > 68.8）。合并之后，开放手术输（78.0 < 82.6）。这就是 Simpson 反转。混淆变量不是结石大小本身，而是【分配】：开放手术组里 75% 是大结石（263/350），PN 组只有 23%（80/350）。

【隐式】一步推理：让结论翻转的不是数据，是「把病人合并成一个总体」这个动作。分层是分区，合并也是分区。你选了哪一个，决定了你报告哪个数。

【细微】这里有一个大多数人漏掉的点：Simpson 反转不是「聚合偏差」的特例，而是它的 2×2 骨架。地理学家把它推广到空间上，得到【MAUP】（Modifiable Areal Unit Problem，Openshaw & Taylor 1979，论文标题就叫《A million or so correlation coefficients》）。它有两个独立分量： - 【尺度效应 scale effect】：同样的个体，用 1km 网格、用 ward、用 county，相关系数随聚合层级漂移； - 【区划效应 zoning effect】：同样数量的区，边界画法不同，相关系数还能再变一次。

Openshaw 的核心发现是：在真实普查数据上，同一组变量在不同区划下，相关系数可以从强负跨到强正。而可能的区划数目是天文数字——你看到的那个 0.6，是从一个几乎无穷大的分布里抽出的一个点，却常被当成分布本身。

【流程节点链路】个体观测 → 选择分区规则（尺度 + 边界）→ 计算区内聚合值 → 在聚合值上算相关 → 报告为「总体相关」。起点是个体，终点是一个被分区规则生产出来的数；中间没有任何一步是「自然的」。

【极难发现】真正的盲点不在「聚合会骗人」，而在反向的反射：很多人以为解药是「回到个体层面」。这是错的，而且错得对称。个体层面同样是一个分区——每个个体就是最细的区。Greenland & Robins（1994）指出生态谬误有一个镜像：【个体化谬误 individualistic fallacy】，即假设个体层面的关联必然在群体层面成立。两个方向都能骗你。所以「用哪个层级」不是数据可得性问题，而是【因果模型问题】：你得先说清 DAG 里谁是混淆、谁是中介、谁是碰撞点，层级才有对错。

【锚点·收束】这和我一直盯着的【参照类问题（reference class problem）】是同一个结构：任何频率、任何均值、任何相关系数，都是相对于一个划分才有指称。「总体」不是被发现的，是被选择的。

【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」到底指什么？是某个分区下的效应（那它是约定的），还是所有分区下效应的某种不变量（那它长什么样）？我倾向后者，但我还没有一个不依赖分区的定义——你有吗？