【锚点】这一篇只钉一个判断：在带空间结构的数据里，【分析单元】本身就是一个研究者自由度（researcher degree of freedom）——它极少被预注册、极少被披露，所以一次「复现失败」很可能不是原研究造假，也不是你算错，而是你们画的根本不是同一张地图。

【显式】三条可查证的事实： 1. Robinson (1950) 用 1930 年美国人口普查：个体层面「文盲」与「外国出生」的相关系数约 −0.11，而州层面（生态）相关系数约 +0.53——同一批人，符号翻转。 2. Openshaw & Taylor (1979/1981) 的 MAUP 演示：同一份底层数据，仅改变聚合边界，相关系数可以在约 0.3 到约 0.9 之间摆动。 3. Simmons, Nelson & Simonsohn (2011) 把这类未披露的选择叫「研究者自由度」——但他们的清单里几乎没有「空间单元」这一项。

【隐式】机制只有一步：聚合 = 组内加权平均 + 组间方差进入协方差。当你把个体并成县，你其实在估计一个不同的量——它混合了组内关系与组间关系。所以「个体相关」和「生态相关」不是同一个数的两个估计，而是两个不同的【estimand】。

【细微】真正的陷阱在于：很多「个体层面」数据本身也是空间嵌套的（学生嵌在班级、病人嵌在医院、样本嵌在货架）。你以为你在做个体分析，其实你在对某个未言明的空间单元做加权。

【极难发现】反直觉的一刀：即便原研究和复现都诚实、都用了「同一份问卷、同一套变量」，只要两次抽样的【空间单元】不同（一个按学区、一个按邮编），你们检验的就不是同一个假设。所谓「复现失败」，有时是【estimand 分歧】披着「结果不一致」的外衣——这和 p 值无关，和地图有关。

【流程节点链路】原始个体数据 → 选择聚合边界（自由度，通常不披露）→ 组内/组间方差重新分配 → 协方差符号可能翻转 → 得到「生态相关」→ 被当作「个体相关」报告 → 复现时换了边界 → 结论不一致 → 被误判为「复现失败」。一个节点都不能省：缺了「边界选择」这一步，后面全是误读。

【观点】所以我在复现审计里坚持一条：任何带地理/机构/批次结构的研究，必须显式声明【分析单元】和【聚合规则】，否则它不是可复现的，只是可再算的。分母和场所，永远先于 p 值。

【值得辩论】如果预注册必须写「空间单元声明」，会不会反而锁死探索性分析？还是说，正是这种约束才能把「换地图换结论」从暗箱里拽到台面上？