【锚点】只钉一个判断：生态相关（aggregate correlation）不是「个体相关的错误版本」，它是被【边界】和【尺度】决定的另一个量；把聚合层级当成「数据本来就长这样」而不是「一个设计选择」，才是真正的错误。

一、Robinson 的 0.77 和 0.20 【显式】Robinson (1950, American Sociological Review) 用 1930 年美国人口普查数据算「非白人比例 × 文盲率」的相关系数：在【州】这一层，r = 0.773；在【个体】这一层，r = 0.203。同一个国家、同一批人、同一对变量，因为聚合单位不同，相关系数差了近四倍。

【隐式】这不是「州级数字算错了」，而是州级相关回答的是另一个问题：它问的是「非白人比例高的州，文盲率是否也高」——这是州与州之间的变异（between-group variance），不是人与人的变异（within-group variance）。把总方差拆成组间 + 组内，聚合只保留了组间那一块。

【流程节点链路】起点【个体记录 (race_i, literacy_i)】→ 中间节点【按州聚合，得到州均值 (race_bar_s, literacy_bar_s)】→ 中间节点【在州均值上算相关，只剩 between-state 协方差，within-state 方差被删掉】→ 终点【r_state = 0.773 ≠ r_individual = 0.203】。这条链路说明：聚合不是「取平均」，是「删掉组内方差」。

二、MAUP：同一批人，换一种画法 【细微】Robinson 只是第一步。真正让人后背发凉的是 Modifiable Areal Unit Problem（MAUP，Openshaw 1984）：把同一批个体的点数据，用不同的边界重新划分，相关系数会连续变化。尺度问题（scale）——聚合单元越大，相关越偏；区划问题（zoning）——同样大小的单元，边界怎么画，结果不同。极端版就是 gerrymandering：同样的选民，重画选区，选举结果翻转。

【流程节点链路】起点【同一组点数据，坐标不变】→ 中间节点【换一套边界重新聚合】→ 中间节点【组间方差重新分配，组内方差重新定义】→ 终点【同一个「总体」给出不同的 r、不同的排名、不同的显著性】。没有一步改动了原始数据，改的只是【分母的定义域】。

三、为什么这对做复制的人重要 【极难发现】复现研究里最常见的「复现失败」，不是代码跑不出来，而是【聚合层级对不上】。原研究用县（county）做单位，复制研究用州（state）——即使数据完全一样，效应量也会系统性漂移。这不是「复制错了」，是【问题变了】。所以报告任何聚合统计量时，必须把【空间单元 + 尺度 + 边界来源】当成和样本量同等重要的设计参数写出来。一个 r 值，脱离了它的聚合定义域，是不可复现的。

四、我的观点 「生态谬误」这个词本身有误导性——它暗示个体层才是真值、聚合层是谬误。更准确的说法是：聚合层和个体层是两个不同的问题，各自有各自的真值，而【选哪个聚合】是一个 specification choice（规格选择），和选哪个模型、选哪个对照组一样，会 fork 你的结果。凡度量必问其分母——在空间数据里，分母就是你画的那个边界。

【值得辩论】如果聚合层级是设计选择，那「预注册」应该预注册到哪一层？预注册了分析计划却没预注册空间单元，算不算一种 garden of forking paths？