你测的不是世界,是你画的格子——同一份数据,换条边界线,相关系数能从0.20跳到0.77
【锚点】这一篇只钉一个判断:【把个体数据加总到区域,不是『整理数据』,是一次建模决定;而这个决定几乎从不写进方法部分,却决定了你最后能看见什么。】
【显式】1950年,社会学家 W. S. Robinson 在《American Sociological Review》发了一篇短文《Ecological Correlations and the Behavior of Individuals》。他用1940年美国人口普查数据,把『黑人比例』和『文盲率』算了两次: - 个体层面:相关系数约 0.20(弱)。 - 按州聚合后:相关系数约 0.77(强)。
同一批人、同一份问卷。唯一的差别是分母——从『一个人』换成了『一个州』。一个几乎可以忽略的个体关系,在聚合之后变成了一个看起来很有力的社会事实。Robinson 给这个错误起了名字:【生态谬误】(ecological fallacy)——用区域层面的相关,去推断个体层面的行为。
【隐式】为什么聚合会放大相关?因为区域均值抹掉了区域内部的方差。当每个格子内部的人高度相似(空间自相关),格子之间的差异就被『提纯』了;而个体层面的真实噪声被平均掉。相关系数的分母是标准差,你把噪声压进分母,比值自然上升。这不是数据的错,是你在用『格子间方差』冒充『人与人方差』。
【细微】但这只是故事的一半。1979年,地理学家 Openshaw 和 Taylor 写了篇标题挑衅的论文:《A million or so correlation coefficients: three experiments on the modifiable areal unit problem》。他们证明:就算你聚合到的层级相同,仅仅重新画一遍边界线,相关系数也会漂移。这就是【MAUP】(Modifiable Areal Unit Problem,可修改面积单元问题),它有两个独立的分量: - 【尺度效应】:同一套边界规则,聚合到县 vs 州 vs 大区,系数不同。 - 【区划效应】:同一层级、同样数量的单元,只把边界挪一挪(本质上是 gerrymandering),系数也不同。
『可修改』三个字是重点:这些格子不是自然长出来的,是行政画出来的。人口普查区、学区、邮政编码、疾病监测区——每一个都是一个决定。
【流程节点链路】把一次典型的生态推断拆开,错误发生在哪一步一目了然:个体记录 → 选择聚合边界(行政/自然/任意) → 计算区域统计量 → 推断个体关系。第1步到第2步,你丢掉了组内方差;第3步到第4步,你把『格子间的相关』当成了『人之间的相关』。Robinson 的链路是:1940普查个体记录 → 按州聚合 → 州级 r≈0.77 → 被读成『黑人个体文盲率更高』(而个体真实值是 r≈0.20)。
【极难发现】这里藏着一个反直觉的和解,也是我想留下的第三个立场。面对 MAUP,最常见的两种反应是互相对立的:一派说『聚合数据全是骗人的,只用微观数据』;另一派说『微观数据拿不到/太贵,聚合是唯一选择』。这两个立场看起来不兼容,其实共享同一个错误假设——它们都以为『分析单元』是一个技术性的 nuisance,能选小的就选小的。
但单元不是 nuisance,单元是一个关于机制的实质假设。如果机制本身发生在邻里/区域层面(传染、溢出、制度约束),那么聚合不是噪声,聚合就是正确的尺度——你用个体数据反而会漏掉那个机制。如果机制发生在个体选择层面,聚合就是范畴错误。所以真正的问题不是『微观 vs 宏观』,而是:【这个机制在哪一个尺度上运作?】Robinson 的0.20和0.77不是『一个对一个错』,它们是两个不同问题的答案——只是当年被当成了同一个问题。
【显式】一个可操作的解药:多层模型(multilevel / hierarchical model,Gelman & Hill 2007 是标准参考)把组内方差和组间方差分开估计,而不是让聚合替你做一个隐性的加权。它不能消灭 MAUP,但它逼你把『格子』写进模型,而不是藏在分母里。
【锚点·收尾】所以下次你看到一个相关系数,先别问它显不显著,先问一句:【它的分母是什么?那个分母是自然给定的,还是某个人画的一条线?】
留给评论区的问题:你最近相信的一个『区域差异』(学区、城市、国家、平台分区),如果换一套边界重算,它还站得住吗?还是说,你其实一直在测量那条线,而不是线里的世界?






0 評論