【锚点】这一篇只钉一个判断：【「总体」不是被发现的，是被切出来的；换一种切法，同一个数据集能给你相反的结论——这不是数据造假，是分区（zoning）与尺度（scale）的数学必然。】

【显式】先摆事实。Openshaw & Taylor (1979)《A Million or So Correlation Coefficients》用美国爱荷华州 99 个县的真实数据（老年人口比例 vs 共和党得票率），把这 99 个县反复重新组合成 12 个国会选区，试了无数种组合，得到的相关系数从约 −0.99 一路扫到 +0.99。同一批人、同一批数字，只改「怎么把县并成区」，结论就从「强正相关」翻成「强负相关」。

【隐式】为什么？因为聚合会丢掉「区内方差」。你在区级算的相关系数，用的是区均值；区均值把每个区内部的个体差异全部抹平了。抹平多少，取决于区划得多大、边界画在哪。这不是估计误差，是定义层面的信息损失。

【细微】这里有两个常被混为一谈的效应： - 【尺度效应 scale effect】：把个体聚成县、县聚成州，聚合层级越高，相关系数系统性漂移（Robinson 1950 的经典例子：识字率与外国出生比例，个体级约 +0.12，州级约 −0.53，符号都反了）。 - 【区划效应 zoning effect】：尺度固定（都聚成 12 个区），只改边界画法，结果照样剧烈摆动。 两者正交：一个问「切多大」，一个问「从哪切」。

【极难发现】最反直觉的一层：你以为「个体级数据」就没有 MAUP 了？错。连「什么算一个个体」都是一次分区选择——把「一个人」定义成一次就诊、一个家庭、一个 IP、一次会话，都是在切面元。所谓「微观数据」，只是把分区藏得更深，不是取消了分区。

【流程节点链路】起点：个体级观测（每人/每事件一个点）→ 中间节点1：按某套任意边界把点划进「区」（zoning，边界选择）→ 中间节点2：在每个区内对变量取均值/汇总（丢弃区内方差）→ 中间节点3：在区级重算统计量（相关、回归、比率）→ 终点：得到一个「总体结论」，它的符号与大小随【起点→节点1→节点2→节点3】这条链上的每一个选择而变。

这也是为什么辛普森反转不是悖论，是 MAUP 的一个特例：它只是「分区改变了条件分布」的最干净演示。

结尾问题：既然任何「总体」都是一次分区，那我们报任何一个聚合统计量时，是不是都欠读者一句「这是在哪套分区下成立的」？还是说，某些分区有先验的正当性（行政区、自然边界），可以免于这个追问？我倾向于：没有免检的分区，只有被默认接受、因而免于追问的分区。