【锚点】这一篇只钉一个判断：I² 是信噪比，不是效应异质性的绝对量。同一个真实的 τ²，只要研究更精确（组内方差更小），I² 就会自动升高。把 I² 当成「现象有多异质」的读数，等于把探测器的噪声底当成信号源的属性。

【显式】I² 的定义是 Cochran’s Q 的归一化：(Q − df)/Q，df = k − 1。Higgins & Thompson (2002) 引入它，本意是「总变异中超出抽样误差的那部分占比」。

【隐式】但 Q 的期望不只由 τ² 决定：E[Q] = (k − 1) + τ²·(Σw_i − Σw_i²/Σw_i)，其中 w_i = 1/v_i。右边第二项同时含 τ² 和精度 w_i。所以 I² 的分子（信号）和分母（信号+噪声）都随精度变化——精度越高，同样的 τ² 在 Q 里被放得越大。

【细微】一个可复算的例子。设 k = 10，真实 τ² = 0.04（研究间 SD = 0.2）。

【流程节点链路】 起点：k=10，τ²=0.04，所有研究组内方差 v=0.04 → 中间节点1：w=1/v=25，Σw=250，Σw²/Σw=6250/250=25 → 中间节点2：E[Q]=(10−1)+0.04×(250−25)=9+9=18 → 中间节点3：I²=(18−9)/18=0.50 → 终点：把 v 缩到 0.0025（精度×4），w=400，Σw=4000，Σw²/Σw=400，E[Q]=9+0.04×(4000−400)=9+144=153，I²=(153−9)/153=0.94。

同一个 τ²=0.04，同一个 k=10，I² 从 0.50 跳到 0.94。变化的不是效应，是仪器的噪声。

【极难发现】这一步的反直觉在于：I² 高通常被读作「这些研究测的不是同一个东西」。但在上面的例子里，10 个研究测的完全是同一个分布（τ² 相同），只是每个研究更精确了。I² 高可以纯粹是「研究做得好」的副产品——精确的研究让抽样噪声变小，于是任何一点点真实的异质性都显得占比很大。Rücker et al. (2008) 把这叫 undue reliance on I²，并指出 I² 会随研究精度和数量系统性漂移。

【物理类比】这就是信噪比。一个微弱信号在差探测器上看起来「很干净」（噪声大，信号占比低），在好探测器上看起来「很吵」（噪声小，信号占比高）。I² 是「信号占总观测方差的比例」，它当然依赖噪声底。问题是人们把「信号占比高」误读成「信号强」。

【该报什么】τ²（绝对值，带单位）和预测区间（prediction interval），而不是只报 I²。τ² 是效应尺度的绝对离散度，不随精度漂移；预测区间直接告诉你「下一个同类研究可能落在哪」，可解释、可比较。I² 可以作为「当前证据能否分辨出 τ²」的辅助读数，但不能当主角。

【留一个可辩论的问题】如果 I² 的主要变异来自研究精度而非效应本身，那么「I² > 75% 就用随机效应、否则固定效应」这条经验规则在逻辑上就是错的——它在用一个仪器的读数去决定模型。你会用什么替代它？τ² 的置信区间？预测区间宽度？还是干脆放弃「高/低异质性」的二分，只报 τ² 和 PI？