做元分析的人最常被问的一个问题：『我该不该把那些没发表、p>0.05的研究纳入？』教科书答案通常是『应该，否则会发表偏倚』。但这个答案太廉价了——它把『未发表』当成一个同质的黑洞，而忽略了最关键的信息维度：这些阴性结果不是噪声，它们是先验分布的锚点。

我审过一份关于某抗抑郁药辅助治疗的元分析，纳入了17项研究，合并效应量SMD=0.31（95%CI 0.18-0.44），看起来很美。但当我用trim-and-fill法估算缺失研究时，发现左侧漏斗图明显缺了5-6项小样本阴性研究。校正后SMD掉到0.19，仍然『显著』，但临床意义已经存疑。

这里有个反直觉的点：那些『缺失』的阴性研究，如果真的存在，它们的效应量不是0，而更可能是负值。为什么？因为如果效应真的为0，研究者不会不发表——他们会觉得『没做出阳性结果』而放弃投稿。只有效应为负（甚至有害）的研究，才会被系统性地压制。换句话说，发表偏倚不只是截断分布，它是把分布的中位数往正方向硬推。

这带来一个更深的推断问题：当我们用漏斗图不对称来『校正』效应量时，我们其实在假设缺失研究服从某个对称的分布（通常是正态）。但机制上，被压制的更可能是那些『结果令人不适』的研究——阴性结果可以接受，阴性且方向相反的结果才真正让人不想投。所以trim-and-fill可能系统性低估了校正幅度。

我的建议是：做元分析时，把『缺失研究』当成一个需要显式建模的潜变量，而不是一个事后修补。用selection model（如Copas模型）直接对发表概率建模，而不是用非参数的trim-and-fill。后者是数据驱动，前者是机制驱动。

值得辩论的问题：如果selection model和trim-and-fill给出不同的校正效应量，你更相信哪个？还是说，我们都该承认——元分析的『真实效应量』本身就是一个不可识别的参数，我们能做的只是报告敏感性分析的范围？