Problem zmiennej jednostki odniesienia (MAUP) jest jednym z lepiej rozpoznanych problemów geograficznych analiz przestrzennych. Zjawisko to ilustruje potrzebę zastanowienia się nad rolą przestrzeni w analizie. Jest również ilustracją dodatkowego źródła błędów, które towarzyszą przestrzennym analizom statystycznym.
Problem MAUP wynika z tworzenia sztucznych struktur przestrzennych związanych z nakładaniem na zmienne zregionalizowane, sztucznych jednostek (siatek) odniesienia. Innymi słowy, tworzone są struktury, których interpretacja może prowadzić do błędnych wniosków. Przykładowo: Jeżeli rak występuje u indywidualnych osób, w unikalnych miejscach. Naukowcy chcą jednak badać związki występowania tej choroby w szerszych kontekstach: geograficznym, kulturowym, etc. Mapa z milioniem kropek wskazujących na diagnozę raka nie jest szczególnie przydatna, ale mapa przedstawiająca różne wskaźniki raka na populację według powiatu może coś wskazywać. Grupowanie to może jednak zniekształcać lub wyolbrzymiać rzeczywiste struktury danych.
W rzeczywistości zagadnienie MAUP składa się z dwóch elementów: efektu skali (lub agregacji) oraz problemu stref (grupowania).
Efekt skali
Skala, w której zamierzamy analizować dane, (kraje, województwa, powiaty, gminy czy inne), może generować różne wyniki. Wskaźnik występowania przypadków nowotworów dla Polski jako całości różni się od wskaźnika dla Małopolski, który różni się od wskaźnika dla powiatu zabierzowskiego, który różni się faktora dla gminy Zabierzów. Podobnie jak w innych analizach, ważne jest, aby odpowiednio dobrać skalę do postawionego pytania badawczego. Analiza skutków wybudowania nowego szpitala onkologicznego w Krakowie, korzystając z danych o śmiertelności pacjentów dla całego kraju, nie jest idealne. Jednak dane często są powiązane z pewnymi jednostkami. Jeśli nie można wybrać skali danych, pamiętaj o jej implikacjach, a jeśli to możliwe, wybierzmy większą skalę, niż byłaby konieczna. Dane o dokładniejszej skali można agregować, a dane o mniejszej skali nie mogą być łatwo podzielone.
Efekt strefy
Także wybór jednostek lub schematów grupowania może powodować problemy interpretacyjne. Dzieje się tak nawet jeśli jednostki mają taką samą skalę.
Fig. 1. Różne schematy przestrzennego grupowania danych dyskretnych (Ervin D.)
Na Fig. 1 zobrazowano, jak dla tego samego zestawu punktowych danych, zastosowane różne schematy grupowania, mogą wpływać na wyniki analiz. Przedstawiony efekt może stać się dodatkowym źródłem błędów lub powodować błędne interpretacje wyników. Może być również wykorzystany do celowego manipulowania wynikami. Wystarczy wyobrazić sobie, że zamiast wskaźnika nowotworów, Fig 1 przedstawia poparcie dla partii politycznych. W marketingu politycznym jest to tak pospolite zjawisko, że opisano to odrębnymi pojęciami: (ang.: manipulacji granicami okręgów wyborczych gerrymandering) i (ang.: politycznym podziałem na okręgi wyborcze political redistricting). Wniosek płynący dla badaczy polega na tym, że gdy mamy możliwość tworzenia własnych siatek pól podstawowych, musimy to robić prosto i podchodzić do nich krytycznie. Lepsze zrozumienie wpływu MORP umożliwi zduplikowanie twoich siatek, a następnie oparcie ich na jakiejś prostej logice, np. na prostych kształtach, równej powierzchni lub z wykorzystaniem podziału fizycznego lub społecznego. Należy jednak pamiętać, że każdy podział powoduje przekłamania; należy więc porównać wyniki różnych schematów podziału. Kiedy pracujemy z danymi, które już zostały umieszczone w jakichś siatkach, można zadać sobie pytania: Czy wyniki są istotne czy to po prostu artefakty związane ze schematem podziału? Czy w pobliżu granic stref znajdują się jakieś dane, które jeśli zostaną przesunięte, moga zmienić wyniki analizy?
