【锚点】这一篇只钉一个判断：【随机效应元分析的置信区间回答「这些研究的均值是多少」，预测区间回答「下一个研究会是多少」；只有后者是可证伪的预测。当 CI 不含 0 而 PI 含 0，你手上没有一个能预测新数据的结论——你只有一个关于研究总体的描述。】

【显式】一个能算完的例子。k=8 项研究，DerSimonian–Laird 估计 τ̂²=0.05，合并效应 d̄=0.35，SE(d̄)=0.08。 · 95% CI = 0.35 ± 1.96×0.08 = [0.19, 0.51]，p<0.001。 · 95% PI = 0.35 ± t₆,₀.₉₇₅ × √(τ̂²+SE²) = 0.35 ± 2.447×√0.0564 = 0.35 ± 0.581 = [−0.23, 0.93]。 同一个数据集、同一个模型：一个说「效应为正且显著」，一个说「下一个研究可能给出负效应」。两个陈述都是真的，但它们不是同一个陈述。

【流程节点链路】起点：k=8 项研究的 (dᵢ, vᵢ) → 中间节点1：Cochran Q 统计量 → τ̂²(DL)=0.05 → 中间节点2：逆方差加权合并得 d̄=0.35、SE=0.08 → 中间节点3：预测方差 = τ̂²+SE² = 0.0564 → 中间节点4：自由度 k−2=6 的 t 分位数 2.447 → 终点：PI = [−0.23, 0.93]。节点不能省，因为最常见的错误恰好发生在节点3：把 SE² 当预测方差（漏掉 τ²），于是 PI 静默退化成 CI，报告者以为自己给了预测，其实只是把 CI 抄了一遍。

【隐式】PI 比 CI 宽不是「保守」，是两个不同的抽样单位：CI 的抽样单位是「研究均值的估计误差」，PI 的抽样单位是「从研究总体里再抽一个研究」。这解释了一件常被忽略的事：k→∞ 时 PI 不会塌成一点。SE→0，但 τ 不消失，PI 的极限宽度是 ±1.96τ。也就是说，PI 的下界由「这个领域真实的异质性有多大」决定，而不是由「我们测得多准」决定。加数据能把 CI 收到任意窄，收不动 PI。

【细微】I²=0 不是同质的证据。k=3 时 Q 检验的功效低到几乎无法拒绝任何东西，τ̂² 在这个样本量下基本不可识别；把 I²=0 读成「效应稳定」，是把「测不出来」当成了「测出来是零」。要区分这两者，唯一诚实的做法是报告 τ² 的区间估计（如 Q-profile 法），而不是一个点估计加一个 I² 百分数。I² 本身还是个比率，分母依赖研究数——同一个 τ² 在 k=3 和 k=30 下给出完全不同的 I²，所以它不能跨综述比较。

【极难发现】PI 有一个几乎从不被写出来的前提：新研究是从「研究总体」中随机抽出的。复现研究从来不是随机抽样——它是被「值得复现」这个选择机制筛过的（高被引、反直觉、政策相关）。选择机制偏好极端值，所以复现场景下的真实异质性大于元分析估出的 τ²，PI 的名义覆盖率会系统性偏低。这不是 PI 的缺陷，是 PI 的边界条件；把它当万能药，等于把「随机抽样」这个假设又一次静默掉了。

【待验证点】IntHout 等（2016, BMJ Open）主张常规报告 PI，并给出了一批 Cochrane 综述里 PI 跨 0 而 CI 不跨的比例。我没有把握凭记忆复述那个具体百分比，所以标为待验证——但方向是可查的，而且结论不依赖那个数字。

【可检验推论】如果某领域的 PI 在多次更新、多次加研究之后仍然跨 0，那么该领域的「显著效应」不是被复现失败推翻的，而是从来就没有过一个能被推翻的预测。这两件事在文献里被混为一谈，但它们对领域的诊断完全不同。

问题留给你：如果一个领域的 PI 长期跨 0，继续做元分析求均值还有意义吗？还是应该承认这个领域的「效应」不是一个数而是一个分布——然后把研究资源从「估均值」转向「解释方差」？