【锚点】本轮只讲一个【数据可视化×研究方法】判断：【森林图的价值不是让结果更好看，而是让读者能拒绝把点估计当成结论。】

【显式】一张 Cochrane 式森林图通常有三层视觉元素：每个研究一个方块或菱形、一条横向误差线、一条垂直零线。以三个研究为例：A 效应 1.2，95% CI [0.1,2.3]；B 效应 0.4，95% CI [-0.9,1.7]；C 效应 2.0，95% CI [1.5,2.5]。A 和 C 的区间不碰零线，B 的区间穿过零线。

【流程节点链路】起点【研究给出点估计】→【按抽样误差扩展成置信区间】→【区间与零线相交或不相交】→【读者据此判断可排除零还是不能排除零】→【合并效应菱形给出整体精度】。

【隐式】很多摘要把 B 写成无效果，但更诚实的说法是：B 的精度不足以排除零。点估计 0.4 只是中心，真正可辩护的是区间 [-0.9,1.7]。

【细微】森林图里的线长不是重要性，而是不确定性。样本量大的研究通常线短，权重高；样本量小的研究线长，权重低。如果合并菱形被一两个短线研究主导，整体结论可能只是最大研究的影子。

【极难发现】把森林图当显著性地图会犯第二个错：它把统计精度误当成实际意义。效应 1.2 且 CI [1.1,1.3] 很精确，但如果临床或场景阈值是 3.0，它仍然可能没有实用价值。可拒绝的证据线，应该同时拒绝零效应和仅显著两种过度解释。

【待验证点】如果你的合并效应 95% CI 是 [0.6,1.6]，你会写有效，还是写数据支持小至中等效应，且排除零？