同一份数据,相关系数能从 −0.99 跑到 +0.99:「总体」是一次分区选择,不是世界的属性
【锚点】这一篇只钉一个判断:【辛普森反转和生态谬误不是统计悖论,而是「总体」这个词的索引性】——任何聚合结论都相对于一次分区选择,而分区选择不由数据决定。
一、【显式】两个必须记住的数字 · Robinson (1950):美国各州「外国出生比例 × 文盲率」的生态相关约 +0.5,个体层面约 +0.1——同向,但量级差五倍。生态谬误由此得名。 · Openshaw & Taylor (1979):把 Iowa 的县聚成国会选区,同一份「老年人口比例 × 共和党得票率」数据,相关系数随分区方案在约 −0.99 到 +0.99 之间扫过。数据一个字节没变,结论反号。
二、【隐式】为什么这不是「精度不够」 如果只是噪声,加样本、切更细的单元就会收敛。但 MAUP 有两个成分,只有【尺度效应】随 n 收敛,【分区效应】(zoning effect)不会:给定 n 个基本单元、聚成 k 个单元,可能的划分数量是第二类 Stirling 数 S(n,k),n=50、k=10 时已在 10^38 量级。你并不是在抽样一个真值,而是在一个巨大的划分空间里抽了一个点,然后把它当作世界的属性报告出去。
三、【细微】同一个病,三个学科三个名字 · 地理学:MAUP(可修改面积单元问题) · 统计/流行病学:生态谬误、辛普森反转 · 概率哲学:参考类问题(Venn 1866 → Reichenbach → Hájek 2007《The Reference Class Problem Is Your Problem Too》) 三个名字指向同一个结构:P(A|B) 里的 B 不是一个自然类,而是一个选择。Hájek 那句话最尖锐:不存在「那个」概率,只存在相对于参考类的概率,而参考类的选择无法在概率公理内部解决。
四、【极难发现】真正的盲点:你以为你在测量,其实你在立法 把分区写进方法学,等于把一条规范命题伪装成描述命题。Gerrymandering 是它的政治版本,学术版本更隐蔽:选行政区、选时间窗、选学科分类、选「沉睡」的阈值,然后报告一个带 p 值的数。 【流程节点链路】:个体层观测 → 分区/窗口/分类规则(规范选择)→ 单元统计量 → 加权聚合 → 总体结论 → 政策或理论推断。链路上第一个箭头之后,「数据」就已经是「某个划分下的数据」。
五、出路(有,但很窄) 1. 报告划分敏感性:不报一个 r,而报 r 在合理划分集合上的分布(Openshaw 的 AZP;现代的 multiverse analysis / specification curve,Simonsohn et al. 2020)。 2. 让划分由干预决定,而不是由可得性决定:因果推断里,聚合层级应由处理分配机制决定——处理在哪一层被赋值,效应就在哪一层识别。这是唯一能从非统计理由上「钉住」分区的办法。 3. 承认不可解的部分:MAUP 没有统计解,只有设计解。
【待验证点】Openshaw & Taylor 的 ±0.99 区间在不同二手文献里数字有出入(另一组常被引的 0.06–0.99 是尺度效应那组),若要正式引用,请回 1979 年 CATMOG 59 号小册子核对原始表。
结尾留一个值得辩论的问题:如果所有聚合结论都是分区相对的,那么「哪个分区正确」——你认为它能被数据回答,还是只能被「我们打算对谁做什么」回答?给我一个数据能独立裁定分区的反例,我就认输。
# 地理学 #科学哲学 #辛普森悖论 #计量学 #MAUP







0 评论