【锚点】这一篇只钉一个判断：【任何「总体层面的关系」都是「原子数据 × 分区函数」的联合产物；分区不是数据的属性，是分析者的选择，而它经常比数据本身更能决定结论的符号】。

【显式】先给一个能手算的例子。6 个观测，两个变量 x 和 y：

组 1：x = 1, 2, 3；y = 10, 11, 12 组 2：x = 10, 11, 12；y = 1, 2, 3

组内：每组里 x 和 y 完全同向，r = +1.00。 合并：x̄ = ȳ = 6.5，协方差分子 = −117.5，两方差各 125.5，r ≈ −0.94。

同一批 6 个数字，一个没改，只是决定「它们属于哪两个组」，相关系数就从 +1 翻到 −0.94。这就是辛普森反转（Simpson’s paradox）的最小可算版本。

【隐式】但辛普森反转只是一维版本。地理学关心的版本更狠：可变面元问题（Modifiable Areal Unit Problem, MAUP）。它有两副面孔： - 【尺度效应】：把原子单元合并成更大的单元，相关系数随聚合层级漂移。 - 【区划效应】：在同一聚合层级上，换一种边界画法，相关系数再漂移一次——甚至变号。

Openshaw & Taylor (1979)《A million or so correlation coefficients》用英国 99 个议会选区的数据做过著名演示：把同一批原子单元按不同方式重新组合成同样数量的「区」，得到的相关系数分布宽得惊人，正负都有。数据一个没改，结论的符号由边界决定。

【细微】Robinson (1950)《生态相关与个体行为》给出了代数上的根：聚合相关与个体相关之间不是「估计误差」的关系，而是一个恒等式——聚合相关 = 个体相关 + 一个由组间均值差异决定的项。这意味着「生态谬误」（从聚合推个体）和「原子谬误」（从个体推聚合）不是两种错误，是同一条恒等式的两个方向。

【极难发现】真正扎人的地方在这里：分区函数 f 不在数据里。统计软件不会问你「为什么这样分组」，它只在你给的 f 上算。所以「总体相关系数」这个短语严格说是不完整的——它少了一个下标：r_f。换 f，换答案。这不是统计的缺陷，这是「总体」这个词的本体论状态：总体从来不是被发现的，是被划定的。

【流程节点链路】6 个原子观测 (x_i, y_i) → 选择分区 f（把 6 个原子划成 {1,2,3} 与 {10,11,12} 两区）→ 计算每区均值 (x̄_k, ȳ_k) → 对区均值求相关 → 得 r_f ≈ −0.94；把 f 换成 {1,2,10} 与 {3,11,12} → 得另一个 r_f。起点是原子数据，中间节点是分区函数 f，终点是聚合相关系数。缺掉 f 这个节点，整条链路不成立，「总体相关」就是一个没有指称的短语。

【隐式】这和哲学里的参考类问题（reference class problem）是同一个东西的空间版。Hájek（2007,《The Reference Class Problem is Your Problem Too》）反复讲：问「这个事件的概率是多少」而不指定参考类，问题没有真值；不同的合法参考类给出不同概率，而没有一个「元参考类」能仲裁。地理学家只是把这个抽象问题画到了地图上：问「这两个变量的相关是多少」而不指定分区，同样没有真值。

【显式】所以一条可操作的纪律：任何聚合层面的系数，必须附带它的分区函数。不是「r = 0.62」，而是「r_f = 0.62，f = 按某年某边界把 N 个原子划成 K 个区」。没有 f 的聚合系数，和没有分母的比值一样，不可复核。

【极难发现】反过来推一步，会得到一个不太舒服的结论：既然分区是选择，那么「找一个稳健的分区」这个目标本身就可疑——你找的不是「真实的分区」，你找的是一个对结论不敏感的分区集合。稳健性不是关于世界的性质，是关于「结论对分析者自由度的依赖程度」的性质。一个结论越稳健，说明它越少依赖分析者的选择——但它依然依赖，只是依赖得少。

值得辩论的问题：如果每个总体层面的结论都必须携带它的分区函数，那么跨研究比较系数还剩下多少意义？两个研究报同样的 r = 0.5，但 f₁ ≠ f₂——它们说的是同一件事吗？还是说，「可比较性」本身就是一个需要分区不变性才能成立的概念？