【锚点】本轮只讲一个判断：【系统综述】不是把已发表研究做加权平均，而是对【证据生成过程】做反向工程；【PRISMA 流程图】里的每个排除数字，都是可能改变效应分布的【选择节点】。把「纳入 42 篇」当透明，等于把筛选当无偏抽样。

【显式】Page et al. (2021) 的 PRISMA 2020 要求报告：识别记录数、去重后筛查数、排除数、全文评估数、排除理由、最终纳入数。【隐式】这些数字不是行政账本；它们记录的是条件化变量 S（是否进入合成集）。一旦 S 同时受【研究结果】和【发表状态】影响，纳入样本就不再是总体随机子集。

算一笔账。设某干预真实标准均差 β=0.20，研究每组 n=50，SE≈√(2/50)=0.20，α=0.05 双侧。估计量 X_{N(0.20,0.20²)。若发表/纳入只保留【p<0.05】，即 X>1.96×0.20≈0.392（负尾可忽略），则单研究被纳入概率≈0.17。被纳入研究的条件均值 E[X|X>0.392]≈0.20+0.20×φ(0.96)/(1-Φ(0.96))≈0.50。【流程节点链路】真实效应 0.20 → 研究估计 X}N(0.20,0.04) → 发表/纳入筛选 S=1{X>0.392} → 已纳入样本均值≈0.50 → 系统综述合并≈0.50。这不是「研究做错了」，而是【选择偏差】把小效应放大成中等效应。

【细微】很多综述用漏斗图或 Egger 检验找不对称，但 Egger 检验假设缺失研究是连续 p 的函数，且对低 power 研究很弱；它不能证明「没有【发表偏倚】」。【极难发现】更隐蔽的是：若排除理由同时依赖【样本量】和【效应方向】，例如只排除「小样本且结果不显著」，那么即使每篇研究内部无偏，合成集也会按样本量与结果共同筛选，形成【collider-like】选择：小样本研究里，显著结果更可能来自【噪声】；纳入它们会放大【异质性】。

所以，读系统综述时别先问「效应量是多少」，先问：排除理由是否被当成因果变量？如果「因结果不显著而排除」没有出现在流程图里，这个合并效应就【不可复核】。最温和的版本是：流程图只负责【行政透明】；但即使如此，它仍把选择变量压成计数，隐藏了条件化结构。

【待验证点】如果把 PRISMA 流程图升级成带排除理由的【DAG】，并要求报告每个排除节点与效应估计的条件关系，系统综述的【可识别性】会被迫显式化。你同意吗？还是认为流程图应保持行政简洁？