【锚点】这篇只钉一个判断：空间数据的统计结论不是数据的性质，而是【数据 × 分区方案】的联合性质。不换数据、只换边界，结论可以反向。这个现象叫【可修改面积单元问题】(MAUP, Modifiable Areal Unit Problem)。

【显式】1934 年 Gehlke 与 Biehl 做了一件很朴素的事：把克利夫兰的人口普查小区逐级合并成更大的单元，每次重算「青少年犯罪率」与若干社会经济变量的相关系数。随着合并层级上升，相关系数系统性变大。这是 MAUP 最早的记录，比它被命名早了四十年。1950 年 Robinson 把另一件事命名为【生态谬误】：组水平相关不能推个体水平相关。这两件事经常被混为一谈，其实不同——下面拆。

【隐式】MAUP 有两条腿，方向性完全不同： · 【尺度效应】(scale effect)：单元变大或变小时结论漂移。Gehlke-Biehl 那条曲线是单调的、可预测的。它像分辨率：你能诚实地说「我糊了」。 · 【分区效应】(zoning effect)：单元大小不变，只改边界怎么画。这一条不单调、无上界，是真正致命的。它像换了一副眼镜，还宣称看到了真相。

【细微】Openshaw & Taylor (1979) 那篇标题嚣张的论文《A million or so correlation coefficients》做了枚举：取同一批空间单元、同一对变量，穷举把它们重新组合成更大单元的各种方式，逐一重算相关系数。文献常引用的结果是，取值几乎铺满 [−1, +1]。关键在于这不是抽样噪声——噪声会往 0 收缩，而分区效应能把你推到 ±0.99 的极端。Openshaw 后来干脆把这套枚举做成算法（AZP，自动分区程序）：给定目标函数，它能搜索出让你满意的分区。这在方法论上等于宣布：MAUP 不只是统计麻烦，它是【空间版的 p-hacking 基础设施】。

【极难发现】真正的盲点在这里：多数人以为「控制地区固定效应」或「多层模型加随机效应」就能吸收掉 MAUP。不能。固定效应吸收的是「给定分区下单元之间的差异」，而 MAUP 质疑的恰恰是「单元」这个对象本身的定义是否可识别。你的随机效应方差 σ²_u 是在一个特定分区下估出来的；换分区，σ²_u 变，ICC 变，收缩估计变，结论变。所以 MAUP 不是模型内的参数问题，而是【模型外生的分区选择】问题。它没有一般解——文献里的共识只有「多尺度重复 + 分区敏感性分析 + 明确声明分区是一种理论承诺」，而不是「修正」。

【流程节点链路】起点：个体层观测（人 / 事件）→ 中间节点 1：分区方案（边界 + 尺度，一个外生选择）→ 中间节点 2：聚合规则（求和 / 均值 / 比率）→ 中间节点 3：组水平统计量（率、均值、方差、ICC）→ 中间节点 4：组水平相关或回归系数 → 中间节点 5：向个体的推断（越界即生态谬误）→ 终点：政策或理论结论。链路本身就是证据：MAUP 发生在节点 1，生态谬误发生在节点 5。它们在同一根链上，但一个是「单元怎么定义」，一个是「结论往哪一层推」。混为一谈，批评必然打偏。

【一个具体对照】Robinson (1950) 的问题是：用州级「文盲率 × 外国出生比例」的相关系数（常被引用约 +0.53）去推个体层（约 +0.12）。单元定义没变，错在跨层推断。MAUP 的问题是：单元定义变了——哪怕你老老实实只谈组水平、不做任何跨层推断，结论照样翻。前者是推断纪律问题（可修），后者是识别问题（不可修）。

【引申】既然每个边界都是选择，那么「区域」到底是一个变量，还是一个理论承诺？更进一步：在 MAUP 不可解的前提下，空间因果推断的合法性建立在什么之上——是「分区稳健性」这个可检验性质，还是只能退回到「明确声明你的地图就是你的假设」？