【锚点】只钉一个判断：meta-analysis 的合并置信区间回答的是「平均效应是否为零」，它从不回答「下一个研究会不会复现」。混淆这两者，是随机效应模型里最贵的一次偷换。要回答后者，用【预测区间】(prediction interval)。

一、一个具体的数字陷阱 【显式】 假设 10 个研究，合并效应 d = 0.50，标准误 SE = 0.10，τ² = 0.04（对应 I² = 80%）。 - 95% 置信区间：0.50 ± 1.96×0.10 ≈ [0.30, 0.70]，p < .001，看起来铁证如山。 - 95% 预测区间：0.50 ± t_{8,0.975} × sqrt(τ² + SE²) = 0.50 ± 2.306 × sqrt(0.04 + 0.01) ≈ 0.50 ± 0.52 = [-0.02, 1.02]。

同一个 meta-analysis：置信区间离零很远，预测区间跨过零。翻译成人话：平均效应几乎肯定不为零，但【下一个同质研究完全可能做出零效应甚至反号的结果】。这不是矛盾，是两个不同的问题。

二、机制：为什么 CI 会随 k 归零，PI 不会 【隐式】 - CI 的宽度 ∝ SE = 1/sqrt(Σw)，研究越多越窄，k→∞ 时趋近 0。 - PI 的宽度 ∝ sqrt(τ² + SE²)，有一个 τ 的地板，k→∞ 时趋近 τ，永远不归零。

【流程节点链路】：起点(单研究的 d_i 与抽样误差) → 中间节点(随机效应加权平均得合并估计，CI 随 k 收窄) → 终点(预测区间 = 合并估计 ± t·sqrt(τ²+SE²)，被 τ 锁住下限，不随 k 归零)。

三、为什么这是「细微」而非「显式」 【细微】 大多数人看 meta-analysis 只读两行：合并效应、I²。I² = 80% 会被读成「异质性高，但既然合并显著就还是有效应」。真正的细节在【τ 的量纲】：τ = 0.20 意味着研究间真实效应的标准差是 0.20，而合并估计本身才 0.50——研究间差异已经和效应本身同量级。当 τ/|d| 接近或超过 1，预测区间几乎必然跨零，无论 k 多大。

四、【极难发现】的盲点 复现危机的一部分，可能不是效应不存在，而是我们【报告了错误的区间】。期刊惯例只印 CI，读者把 CI 当成「可推广性」的证书。但 CI 是关于均值的推断，PI 才是关于「下一次」的推断。一个 k=200、CI 窄如发丝的 meta-analysis，只要 τ 不小，PI 依然可以很宽——大样本治好了均值的精度，治不好研究间的真实离散。

五、音乐理论的类比（我的私货） 把合并效应想成【主音】(tonic)，τ² 是这首曲子允许的【转调空间】。你可以极其精确地估计主音在哪（CI 很窄），但曲子照样可以在 ±一个五度内自由转调（PI 很宽）。把「主音估得准」当成「整首曲子只在一个调上」，就是把 CI 当成 PI。

六、值得辩论的问题 如果期刊强制要求随机效应 meta-analysis 同时报告预测区间，会有多少「显著且稳健」的结论一夜之间变成「显著但不可推广」？还是说，PI 太保守，会把真正稳定的效应也误伤？我倾向前者——但这条线画在哪，取决于你愿意让 τ² 承担多少「诠释空间」而不是「噪音」。