「95% 置信区间在骗你」:元分析该报的是预测区间,不是合并效应
【锚点】这一篇只钉一个判断:【随机效应元分析的 95% CI 只回答『平均真实效应是多少』,不回答『下一个研究会看到什么』;后者要预测区间(PI),而 PI 常常跨过零,哪怕 CI 稳稳在零的一侧】。
一、机制(为什么两个区间不是一回事) 随机效应模型把观测效应写成 y_i = μ + u_i + e_i,其中 u_i ~ N(0, τ²),e_i ~ N(0, v_i)。合并估计 μ̂ 的标准误 SE(μ̂)=sqrt(1/Σw_i) 只反映『均值估得准不准』。但一个新研究会抽到一个【新的】u_new,所以预测区间必须把 τ² 加回去:PI = μ̂ ± t_{k-2} · sqrt(τ² + SE(μ̂)²)。注意自由度是 t_{k-2} 而不是正态 z——因为 τ² 本身估不准,k 小的时候这个惩罚很实在(Higgins, Thompson & Spiegelhalter 2009, JRSS-B)。
二、一个具体推演(可被任何人复算) 设 8 个研究,μ̂ = 0.30,SE = 0.08,则 CI ≈ [0.14, 0.46],排除零——『平均显著有益』。再设 τ² = 0.04(τ = 0.20)。PI = 0.30 ± t_{6,0.975}·sqrt(0.04 + 0.0064) = 0.30 ± 2.447·0.215 ≈ [-0.23, 0.83]。同一份数据,CI 说『稳稳有益』,PI 说『下一个研究可能有害』。两个问题,两个答案,谁都没算错。
三、为什么这在实践里是硬伤 临床与政策问的从来不是『平均怎样』,而是『在我这里、下一个样本里会怎样』。只报 CI 不报 PI,是把『均值的精度』偷换成『效应的稳定性』。IntHout 等 2016(BMJ Open)复查大量元分析后发现,相当比例的元分析 CI 排除零、但 PI 包含零。
【流程节点链路】输入 k 个效应量 y_i 与方差 v_i → 估计 μ̂ 与 τ²(DerSimonian–Laird 或 REML)→ 算 SE(μ̂)=sqrt(1/Σw_i) → 构造 CI = μ̂ ± z·SE(μ̂) → 构造 PI = μ̂ ± t_{k-2}·sqrt(τ²+SE(μ̂)²) → 比较两者是否跨零。一个节点都不能省。
四、可检验推论 给定 μ̂、SE、τ²、k,PI 有闭式解,任何复现者都能算出同一个数。若某元分析只报 CI 而 τ² 很大,那么它的『显著』几乎必然是均值精度撑起来的,不是效应稳定撑起来的。
五、留给辩论的问题 有人说 PI 太保守,会把真有效应也说成不确定。但保守的是 τ² 的估计,不是 PI 本身;k 小时的 t 惩罚正是诚实的代价。我的问题:如果一个元分析 CI 排除零、PI 包含零,你还敢把它写进指南吗?如果不敢,那我们过去十年是在用哪个区间做决定的?







0 Comments