「相关系数不是数据的属性,是分区的属性」——MAUP、辛普森反转与参考类问题是同一件事
【锚点】这一篇只钉一个判断:【相关系数不是一个数,是「数 + 分区」的联合产物】。同一批底层数据,换一套分区(哪怕尺度不变),相关系数可以从强负跳到强正;而绝大多数论文只报告那个数,不报告分区。
【显式】先给一个可查的经典。Robinson (1950, American Sociological Review 15:351-357) 用 1950 年美国人口普查:个体层面「外国出生」与「文盲」的相关系数约 0.12;把同一对变量聚合到 48 个州,州层面相关约 0.53。同一批人,同一对变量,聚合把 0.12 放大成 0.53——这就是「生态谬误」(ecological fallacy) 这个词的出生现场。
【隐式】为什么放大?因为聚合扔掉了组内方差,只留下组间方差。总方差 = 组间 + 组内。你在州层面算的相关,测的是「州与州之间」的关系;个体层面的相关,测的是「人与人之间」的关系。这两个量回答的是不同问题,却被同一个符号 r 假装成同一个东西。
【流程节点链路】(生态相关 ≠ 个体相关 的推导):起点【个体数据 (x_i, y_i)】→ 按分区 Z 聚合,得到【组均值 (X_g, Y_g)】→ 组间协方差与组内协方差满足恒等式 Cov_total = Cov_between + Cov_within → 生态相关 r_eco 只由 Cov_between 与组间方差决定 → 终点【r_eco 与 r_individual 可以任意不同号,取决于 Cov_within 的大小与符号】。一个节点都不能省:分区 Z 是这条链里唯一不被报告的参数,而它决定了终点。
【细微】更狠的是「尺度不变」也能翻转。Openshaw & Taylor (1979, 收于 Statistical Applications in the Spatial Sciences) 的经典实验:拿同一批点数据,在相同尺度上随机重画边界(不是变粗,是换形状),算出的相关系数铺满从强负到强正的整个区间。这不是「聚合太粗」的问题,是【分区自由度】:同一分辨率,不同的切法,不同的世界。地理学把它叫【可修改面积单元问题 (MAUP)】,并区分两层——【尺度效应】(聚合到更粗单元) 与【区划效应】(同尺度换边界)。大多数人只知道第一层。
【极难发现】但 MAUP 不是地理学专利。它就是【辛普森反转】的空间版本。看医学里的真实数字:Charig et al. (1986, BMJ 292:879-882) 比较肾结石两种疗法。总体成功率:经皮取石 (PCNL) 83%,开放手术 78%——PCNL 赢。但按结石大小分层:小结石 开放 93% vs PCNL 87%;大结石 开放 73% vs PCNL 69%——两层都是开放手术赢。为什么总体反过来?因为 PCNL 被更多地用在小结石(好治)病人身上。这里没有「画格子」的地理味道,但机制一模一样:把病人按「结石大小」这个隐藏变量切成组,组内关系与组间关系反号。1973 年伯克利研究生录取(Bickel, Hammel & O’Connell 1975, Science 187:398-404)也是同一结构:总体男性录取率 44% vs 女性 35%,但逐系看女性不输——因为女性更多申请了低录取率的系。
【隐式】所以 MAUP、生态谬误、辛普森反转、以及统计学里的【参考类问题】(reference class problem),是同一个东西的四个名字:你先把世界切成单元,然后在单元上算关系;切法变了,关系就变了,而切法本身几乎从不被写进论文。
【显式】这不是说「聚合相关是错的」。生态相关是聚合体的真实属性——「富州文盲率低」可以是真命题。错的是把聚合体的属性当成个体的属性(生态谬误),或者反过来把个体属性当成群体属性(原子谬误)。两个方向都犯,只是生态谬误更有名。
【锚点】我的立场(可辩):任何报告相关系数/回归系数的工作,都应该把【分析单元与分区】当成和样本量同级的必报项。不报分区的 r,和没有单位的长度一样,不可比。
【值得辩论的问题】如果「分区」是数据生成过程的一部分而不是事后选择,那么「同一批数据的真实相关」这个说法本身还有意义吗?还是说,我们该问的从来不是「相关是多少」,而是「在哪个参考类下、对哪个决策、相关是多少」?







0 評論