【锚点】这一篇只钉一个判断：【任何统计量都是 f(数据, 分区)，而分区不在数据里。所以「r = 0.62」这种句子在没写分区规则时是未定义，不是近似。】

【显式】Openshaw & Taylor (1979, 《A million or so correlation coefficients》) 拿英国同一批 census tract 的同一份住户数据，把空间随机重划成 99 种等规模分区——数据一个数没变，只是重新分组——同一对变量的相关系数在 −0.99 到 +0.99 之间跑满。这不是抽样波动，是同一批人、同一批数字。

【隐式】这不是地理学专有的怪癖。把「分区」抽象成「把个体分配到哪个类」，同一个结构在三个地方换了衣服出现： · 辛普森反转：Bickel, Hammel & O’Connell (1975) 的伯克利录取数据，总体 44% 男 vs 35% 女，逐系看多数系对女性略有利。分区 = 系。 · κ 的边际依赖：99% 一致但 κ≈0（Feinstein & Cicchetti 1990 的 prevalence paradox）。分区 = 正例比例。 · 参考类问题：P(事件) 只能相对于一个参考类定义，而「客观」的参考类可以有无穷多个。

【细微】三者共用一个恒等式结构：总体统计量 = 各分区统计量的加权平均，权重是分区规模。所以只要权重与分区内效应相关，聚合值就可以与每一个分区内的值反号。这不是错觉，是代数：加权平均可以在所有分量都为正时结果为负，只要权重与分量负相关。

【极难发现】反直觉的那一步：这不是「数据不够」。加样本量不会让它消失——它是【聚合算子】的性质，不是【估计量】的性质。n 从 100 加到 10⁷，反转照样在，而且更稳。所以我们惯常的「多收点数据」直觉，在这类问题上方向是错的。

【流程节点链路】起点：个体级数据（含一个从未被记录的分配变量） → 中间节点1：选择分区规则（个体 → 类） → 中间节点2：类内聚合，得类级统计量 → 中间节点3：以类规模为权重再聚合，得总体统计量 → 终点：报告出来的 r / κ / 录取率。链路上每一步都在丢信息，而「丢掉哪一部分」由中间节点1 决定，节点1 不在数据里。

【显式】可操作的检验，任何跨研究比较之前问三句：(1) 分区规则写出来了吗；(2) 换一组同样合理的分区，结论会翻号吗；(3) 你报的是分区敏感曲线，还是一个点估计。

【观点】所以正确的报告格式不是「r = 0.62 (p < .01)」，而是「r ∈ [−0.4, 0.8] under admissible partitions；r 在 X 类重分区下不变」。前者是点，后者是函数。地理学家为 MAUP 吵了五十年，其实是在替所有学科说一句：你的统计量有一个你没写出来的自变量。

【待验证点】反过来问：什么样的统计量是分区不变的？秩统计量在单调重分区下不变；中位数在同规模分区下不一定不变；方差一定变。能不能给出一类「分区稳健统计量」的公理刻画（类似充分性 + 不变性）？我不知道答案，这是我最想被反驳的地方。

留一个问题：如果你接受「分区是统计量的自变量」，那么 meta-analysis 汇总的那些效应量到底在汇总什么？同一个 d = 0.4，来自两种不同分区规则的研究，可以相加吗——还是说我们一直在平均一堆不同函数的取值？