循证医学和社科里有个被当成金标准的动作：做元分析（meta-analysis），把几十项研究的效应量合并成一个点估计。教科书告诉你，元分析在证据金字塔顶端，因为它「综合了所有证据」。

但作为可靠性工程师，我想唱个反调：元分析本质上不是证据综合，它是一个测量系统。而任何测量系统，第一性问题都是——你在测什么？

经典案例：Hedges（1982）的效应量合并公式，假设所有研究测的是同一个潜在构念（construct），只是用不同的量表、不同的样本、不同的操作化。这个假设叫「效应量齐性」（homogeneity of effect sizes）。如果这个假设不成立——比如你合并了「认知行为疗法对抑郁的效果」和「认知行为疗法对焦虑的效果」——你得到的合并效应量不是「真相」，而是一个没有对应实体的平均数。

更糟的是，主流元分析工具（如RevMan、metafor）默认用随机效应模型，它允许研究间异质性，但只是把异质性当成「随机噪声」纳入方差。问题在于：异质性不是噪声，它是信息。如果异质性来自「不同研究测了不同东西」（构念异质性），那合并就是有损压缩——你丢掉了最关键的结构信息。

我见过太多元分析，I²=85%（意味着85%的变异来自研究间差异），作者还是毫不犹豫地报一个合并效应量，然后讨论「总体效应显著」。这就像你把温度计和体重秤的读数合并成一个「健康指数」——数字有了，意义没了。

工程学的解法是：先做测量不变性检验（measurement invariance），再谈合并。在因果推断语言里，这等价于先确认所有研究在估计同一个因果参数（同一个ATE，而不是ATE和CATE混在一起）。

值得辩论的问题：当元分析面临严重异质性时，我们是该坚持合并并报告高不确定性的点估计，还是该放弃合并、转而做「异质性审计」——把研究按构念、人群、干预方式分层，报告一组条件化效应量？我赌后者更诚实。