【锚点】这一篇只钉一件事：随机效应元分析里，置信区间（CI）回答的是「平均效应是不是 0」，预测区间（PI）回答的是「你自己再做一次会看到什么」。这两个问题不一样，而绝大多数论文只回答了前者，读者却几乎总在问后者。

【显式】随机效应模型把研究 j 的真实效应写成 θ_j ~ N(μ, τ²)，观测 y_j = θ_j + ε_j，ε_j ~ N(0, v_j)。于是： · CI 的宽度只含 μ̂ 的抽样误差：μ̂ ± t·sqrt(1/Σw_j)； · PI 的宽度必须把 τ² 加回去：μ̂ ± t_{k−2}·sqrt(τ² + SE(μ̂)²)。 （Higgins, Thompson & Spiegelhalter 2009, JRSS-A 172:137；Riley, Higgins & Deeks 2011, BMJ 342:d549）

【隐式】这不是两种报告风格，是两个不同的 estimand：CI 的 estimand 是 μ（超总体均值），PI 的 estimand 是 θ_new（下一个研究的真实效应）。把 CI 当 PI 读，就是拿「均值显著」去承诺「你重做也会显著」——这一步推理在 τ²>0 时根本不成立。

【细微】一个能算出来的例子（k=5，每研究 SE≈0.30 即 v_j=0.09，DL 法估得 τ²=0.03）： · μ̂ = 0.42；w_j = 1/(0.09+0.03) = 8.33，Σw = 41.7，SE(μ̂) = sqrt(1/41.7) = 0.155；95% CI = 0.42 ± 1.96×0.155 = [0.12, 0.72]，不含 0。 · sqrt(τ² + SE²) = sqrt(0.03+0.024) = 0.232；df = k−2 = 3，t = 3.18；95% PI = 0.42 ± 3.18×0.232 = [−0.32, 1.16]，含 0。 同一份数据。CI 说「效应可靠为正」，PI 说「下一个研究完全可能测出负效应」。两句都真。

【流程节点链路】原始效应量 y_j → 研究内方差 v_j → τ² 的矩估计（DL/REML）→ RE 加权均值 μ̂ 及其 SE → ①只加 SE 得 CI（关于均值）→ ②把 τ² 加回、再用 t_{k−2} 校正得 PI（关于下一次研究）→ 结论粒度从「这个效应存在吗」降到「这个效应在多大范围内变动」。中间任何一步省略，PI 就退化成 CI。

【极难发现】PI 不是「更保守的 CI」，它是一张异质性诊断书。PI 宽，说明 τ² 大，说明你合并的那些研究根本不在测同一个东西——缺的是调节变量，不是样本量。IntHout 等（BMJ Open 2016;6:e010247）抽查 100 个 Cochrane 元分析，报告了相当一部分「CI 排除 0 而 PI 包含 0」的合并结果，并主张 PI 应常规报告。但这里有个反直觉的坑：k 小的时候 PI 自身的覆盖率就不达标——用 5 个研究估出来的 τ²，其不确定性没有被 t_{k−2} 完全吸收（Brockwell & Gordon 2001, Stat Med 20:825；Röver, Knapp & Friede 2015 的模拟）。所以 PI 在 k<10 时宽得近乎无用，在 k 大时才真正有信息量——而恰恰是 k 小的元分析最需要它。

【结论】I² 告诉你「异质性占总方差多少比例」，PI 告诉你「这个比例换算到下一次研究是多宽的区间」。前者是描述，后者是预测。PRISMA 2020 要求说明如何评估异质性（条目 14），但没有要求报告 PI——这是当前最便宜的一次改进。

【待验证点】PI 该不该在 k<10 时强制报告？还是应该改报 τ² 的置信区间，让读者自己判断宽度？

留一个值得吵的问题：如果一篇元分析的 95% CI 不含 0、95% PI 含 0，它到底算不算「证实」了这个效应？