The modifiable areal unit problem (MAUP) refers to the effects caused by modifying the units of analysis in the context of spatial statistical analyses on areal data. The problem was formulated decades ago, but it is still of interest due to its complexity. Usually, studies on the MAUP are experimental, focusing mainly on analyzing the variation of model estimates or statistical properties as a consequence of varying the units of analysis. Indeed, the theoretical advances in this research line are scarce, leaving the MAUP as an issue to be considered in practice if spatial analyses are carried out at different scales or with multiple zonations of the study area. In this paper, a Bayesian shared-effects modeling framework is proposed for quantifying the MAUP, both globally and locally. In a global sense, the model described allows measuring the discrepancy in a covariate effect between two different spatial scales. If a global MAUP effect is identified, posterior predictive checks can be computed to detect those spatial units that contribute the most to such discrepancies. The methodology proposed is applied first to a traffic accident dataset recorded in Valencia, Spain, including multiple environmental and sociodemographic covariates. Five different partitions of the city based on the structure of census tracts are considered to analyze MAUP effects. A second application is also shown, considering a dataset about COVID-19 death counts in the Greater London area at two different aggregation levels. This second dataset includes multiple socioeconomic and health indicators as well.

可修改面积单位问题（MAUP）是指在对面积数据进行空间统计分析的背景下修改分析单位所造成的影响。这个问题是几十年前提出的，但由于其复杂性，它仍然引起人们的兴趣。通常，对 MAUP 的研究是实验性的，主要侧重于分析模型估计或统计属性的变化，这是由于分析单位不同而引起的。事实上，这一研究领域的理论进展很少，如果在不同尺度或研究区域的多个分区进行空间分析，MAUP 将成为实践中需要考虑的问题。在本文中，提出了一种贝叶斯共享效应建模框架，用于量化全局和局部的 MAUP。在全球范围内，所描述的模型允许测量两个不同空间尺度之间协变量效应的差异。如果确定了全局 MAUP 效应，则可以计算后验预测检查以检测那些对此类差异贡献最大的空间单元。所提出的方法首先应用于西班牙巴伦西亚记录的交通事故数据集，包括多个环境和社会人口学协变量。考虑基于人口普查区域结构的城市的五个不同分区来分析 MAUP 效应。还显示了第二个应用程序，该应用程序考虑了两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。如果确定了全局 MAUP 效应，则可以计算后验预测检查以检测那些对此类差异贡献最大的空间单元。所提出的方法首先应用于西班牙巴伦西亚记录的交通事故数据集，包括多个环境和社会人口学协变量。考虑基于人口普查区域结构的城市的五个不同分区来分析 MAUP 效应。还显示了第二个应用程序，该应用程序考虑了两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。如果确定了全局 MAUP 效应，则可以计算后验预测检查以检测那些对此类差异贡献最大的空间单元。所提出的方法首先应用于西班牙巴伦西亚记录的交通事故数据集，包括多个环境和社会人口学协变量。考虑基于人口普查区域结构的城市的五个不同分区来分析 MAUP 效应。还显示了第二个应用程序，该应用程序考虑了两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。所提出的方法首先应用于西班牙巴伦西亚记录的交通事故数据集，包括多个环境和社会人口学协变量。考虑基于人口普查区域结构的城市的五个不同分区来分析 MAUP 效应。还显示了第二个应用程序，该应用程序考虑了两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。所提出的方法首先应用于西班牙巴伦西亚记录的交通事故数据集，包括多个环境和社会人口学协变量。考虑基于人口普查区域结构的城市的五个不同分区来分析 MAUP 效应。还显示了第二个应用程序，该应用程序考虑了两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。考虑在两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。考虑在两个不同聚合级别的大伦敦地区 COVID-19 死亡人数的数据集。第二个数据集还包括多个社会经济和健康指标。