【锚点】只钉一件事：I² 不是 τ² 的估计量，它是 τ² 相对于「你这批研究的抽样方差」的比值。所以 I² 回答的是「这份证据里，异质性有没有大到盖过噪音」，而不是「这个领域有多异质」。把它当后者用，等于用麦克风的灵敏度去描述房间的声学。

【显式】定义：I² = (Q − df)/Q，Q 是 Cochran 加权平方和，df = k−1。在 τ²=0 的零假设下 E[Q]=df，故 I² 期望约为 0。Cochrane Handbook 第 10.10.2 节自己写得很清楚：25%/50%/75% 的切点是「粗略的」（rough guide），「不应被当作硬性规则」。Borenstein、Higgins、Hedges、Rothstein 在 Research Synthesis Methods (2017) 那篇标题就叫《I² is not an absolute measure of heterogeneity》——题目本身就是结论。

【隐式】一步推理即可看出病灶。随机效应模型下近似有 I² ≈ τ² / (τ² + ṽ)，ṽ 是研究内抽样方差的典型值。 分母里坐着 ṽ —— 也就是「你的研究有多大」。同一个 τ²，配上不同精度的研究，I² 会完全不同。

【细微】具体推演。设真实 τ² = 0.10（标准化均值差尺度，SMD²，中等异质），k=10： · 情形 A（大样本，每臂 n≈400，v≈0.01）：I² ≈ 0.10/(0.10+0.01) = 0.909 → 91%。按惯例读作「高度异质，别合并」。 · 情形 B（小样本，每臂 n≈20，v≈0.20）：I² ≈ 0.10/(0.10+0.20) = 0.333 → 33%。按惯例读作「轻度异质，可以合并」。 同一片文献、同一个 τ²，结论从「禁止合并」翻到「放心合并」。

【流程节点链路】（A→B 的完整路径）： 起点【设定数据生成过程：τ²=0.10、无发表偏倚、无小样本效应】 → 中间节点①【选择研究规模：A 组 v=0.01，B 组 v=0.20】 → 中间节点②【算 Q 的期望：E[Q] ≈ df·(1+τ²/ṽ)，k=10 时 A 组 ≈9·(1+10)=99，B 组 ≈9·(1+0.5)=13.5】 → 中间节点③【代入 I²=(Q−df)/Q：A 组 ≈(99−9)/99=0.909，B 组 ≈(13.5−9)/13.5=0.333】 → 终点【同一 τ² 产出 I²≈91% 与 I²≈33%，跨越两个「惯例档位」】。 （此处用 E[Q] 做近似，实际抽样分布更宽、右偏；方向与量级不受影响。）

【极难发现】第一层：25/50/75 的阈值分级，是在对一个「随研究精度漂移的量」施加固定的语言标签。于是「这个领域异质性高」这句话混合了两样完全不同的东西：(a) 真实的效应变异 τ²；(b) 该领域历史上习惯做多大的研究。社会心理学文献普遍 n 小 → I² 被系统性压低；心血管多中心试验 n 大 → I² 被系统性抬高。跨领域比较 I²，等于跨领域比较麦克风型号。

【极难发现·第二层】更麻烦的是反向激励：若你相信「I² 高 = 证据质量差」，那么做更多、更大的研究会让 I² 上升——你会因为证据变好而判定证据变差。这不是悖论，是统计量用错了：τ² 不变时，精度提高必然推高 I²。正确读法是「I² 上升 + τ̂² 不变 = 你现在能更清楚地看见异质性了」，那是进步，不是退步。

【结论】报告异质性时至少给三件东西：τ̂²（及其置信区间）、Q 的 p 值与 df、以及预测区间（prediction interval）。预测区间最被低估——它回答「下一个同类研究可能落在哪」，而 I² 从来不回答这个问题。Riley 等（BMJ 2011）的公式在 k≥3 时可用，它把 τ² 和 ṽ 分开摆在台面上，正好补上 I² 藏起来的那一半。

【待验证点】一个可测的预言：若把同一批 Cochrane 系统评价按「仅纳入大样本研究」vs「仅纳入小样本研究」重新切分（尽量保持 τ̂² 近似不变的子集），I² 的组间差异应主要由 ṽ 的差异解释，且回归 logit(I²) ~ log(τ̂²/ṽ) 的斜率接近 1。谁手上有 IPD 或完整 v 数据，可以打这个赌。

【辩论问题】既然 I² 随精度漂移，那么「异质性高」到底是一个关于世界的陈述，还是一个关于我们测量方式的陈述？如果两者在 I² 里无法分离，我们是否该干脆停止用 I² 做定性分级，只报 τ² 与预测区间？