Wniosek prawdziwy dla grup nie musi być prawdziwy dla osób
Błąd ekologiczny powstaje, gdy zależność obserwowaną na poziomie grup — miast, szkół, regionów czy krajów — przenosimy automatycznie na pojedynczych ludzi. Grupa z wyższą średnią X może mieć także wyższą średnią Y, mimo że wewnątrz każdej grupy osoby z wyższym X mają niższe Y albo nie ma między nimi żadnej zależności. W. S. Robinson pokazał w 1950 roku, że korelacje liczone z danych zagregowanych mogą radykalnie różnić się od korelacji indywidualnych. Agregaty są prawdziwymi danymi, ale jednostką analizy jest grupa, nie człowiek.
Zmiana jednostki zmienia pytanie
Jeśli dla każdego regionu policzymy średni dochód i średnią długość życia, korelacja opisuje różnice między regionami. Nie mówi bezpośrednio, jak dochód konkretnej osoby wiąże się z jej długością życia. Grupy różnią się jednocześnie setkami cech: strukturą wieku, środowiskiem, instytucjami i składem populacji. Średnie grupowe kompresują te różnice do pojedynczych punktów.
Robinson i klasyczny problem
W pracy z 1950 roku W. S. Robinson porównywał korelacje ekologiczne i indywidualne, pokazując, że mogą być bardzo różne. Jego artykuł stał się klasycznym ostrzeżeniem dla badań społecznych. Nie chodziło o to, że dane zagregowane są bezużyteczne — są właściwe do pytań o grupy — lecz że nie można bez dodatkowych założeń przenosić ich na poziom jednostek.
Jak może powstać odwrócenie
Wyobraź sobie dwa miasta. W bogatszym mieście wszyscy mają zarówno wyższe dochody, jak i wyższy poziom pewnego wyniku niż w biedniejszym. Między średnimi miast istnieje dodatnia zależność. W każdym mieście z osobna dodatkowy dochód może jednak nie mieć żadnego związku z tym wynikiem albo zależność może być ujemna. Różnica między miastami działa jak ukryta struktura grupowa.
To nie to samo co paradoks Simpsona
Zjawiska są spokrewnione przez agregację, ale pytania są inne. Paradoks Simpsona dotyczy zmiany lub odwrócenia relacji po łączeniu warstw. Błąd ekologiczny dotyczy nieuprawnionego wnioskowania z własności grup na własności osób. Można popełnić błąd ekologiczny bez spektakularnego odwrócenia znaku i można zobaczyć Simpsona w danych, które nie dotyczą ludzi.
Gdzie łatwo się pomylić
Mapy regionalne, statystyki szkół, dane o dzielnicach i porównania międzynarodowe są szczególnie kuszące. Jeśli regiony o większym udziale cechy A mają większy wynik B, naturalne jest zdanie „osoby z A częściej mają B”. Taki wniosek wymaga jednak danych na poziomie osób albo modelu łączącego poziomy. Same procenty regionów tego nie dowodzą.
Jak analizować dane wielopoziomowe
Najlepiej zachować informację o poziomie obserwacji. Modele hierarchiczne i wielopoziomowe pozwalają osobno opisywać zmienność między grupami i wewnątrz nich. Gdy dostępne są tylko agregaty, wnioski powinny pozostać na poziomie agregatów lub jasno komunikować dodatkowe założenia. Zasada jest prosta: statystyka nie pozwala odzyskać indywidualnej historii, jeśli dane zostały wcześniej zsumowane do średnich grupowych.
Dlaczego agregat nie opisuje automatycznie jednostki
Korelacja na poziomie grup powstaje z porównania grupowych średnich lub udziałów. Tymczasem korelacja indywidualna zależy od tego, jak dwie cechy współwystępują wewnątrz tych grup. Te dwa poziomy mogą zachowywać się zupełnie inaczej. Na przykład regiony o wyższym średnim poziomie cechy X mogą mieć również wyższy średni poziom Y, nawet jeśli w każdym regionie osoby z większym X nie mają większego Y. Skład grup, różne proporcje podpopulacji i czynniki kontekstowe wystarczą, by stworzyć taką rozbieżność. Dlatego dane zagregowane są właściwe do pytań o regiony, szkoły czy kraje, ale nie uprawniają automatycznie do twierdzeń o pojedynczych mieszkańcach, uczniach lub respondentach. Jednostka analizy jest częścią pytania statystycznego.