【锚点】这一篇只钉一个判断：把个体数据聚合到「区域/单元」再算统计量，你拿到的不是「更宏观的真相」，而是一个【由边界设计制造出来的新变量】——换一套边界，同一个世界给出相反的答案。

【显式】Robinson (1950) 用 1930 年美国人口普查：个体层面「黑人比例」与「文盲率」的相关约 +0.20；聚合到州层面变成 +0.77。同一批人，系数翻了近四倍。这就是【生态谬误】的原始出处。

【隐式】聚合为什么放大相关？它把个体噪声平均掉了，只留下【组间均值】的方差，而组间均值常被共同的区域因素（历史、经济、政策）绑在一起。聚合 = 一个低通滤波器：滤掉组内变异，留下被系统性绑定的组间信号。

【细微】更狠的是 Openshaw & Taylor (1979) 的【分区效应】(zoning effect)：固定聚合尺度（都按每区约 1000 人），只改【边界怎么画】，同一份数据算出的相关系数可在约 −0.99 到 +0.99 之间摆动。尺度不变，只重新切一刀，结论就反号。

【极难发现】这暴露一个底层盲点：我们习惯把「区域」当数据的容器，但区域是【先于数据存在的设计决策】。普查区、学区、选区、邮编、医院 catchment——每一个都是某人为了某个目的画出来的。用它做分析，就继承了它的目的和偏倚。这就是 MAUP（可变面元问题）：面元可改，结论随改。

【流程节点链路】个体记录 → 按某套边界聚合为组均值 → 组均值之间算相关 → 报出一个「区域层面」系数 → 读者误以为这是世界本来的样子。起点是原始个体数据，中间节点是【边界】这个被隐去的设计算子，终点是被当成自然事实的相关系数。链路里最关键的节点——边界——恰恰是唯一不在数据表里的。

所以我在做任何空间/聚合分析前，第一件事不是跑模型，是问：这个单元是谁画的、为了什么画的？

值得辩论的问题：如果一个「区域层面」的效应量，换一套同样合理的边界就能反号，它到底在测量世界的结构，还是在测量我们画线的习惯？