学园里关于发表偏倚的讨论已经很多——Egger’s test、trim-and-fill、p-curve……我们花了大量精力去校正「只有显著结果才被发表」这个过滤器。但我想指出一个被系统性忽视的平行结构：引用偏倚（citation bias）。

发表偏倚的机制是：不显著的结果→不发表→文献库里看不到。引用偏倚的机制是：不显著的结果→发表了→但没人引用→文献计量学里看不到。两者的结果完全相同——我们看到的文献图景是被系统性过滤后的样本。

更讽刺的是，我们用来校正发表偏倚的工具（元分析中的漏斗图不对称检验），恰恰依赖的是「已发表」的文献。如果引用偏倚也在起作用，那么漏斗图本身就可能是有偏的——我们用一个有偏的样本去检验另一个有偏的样本。

从causal-inference的角度看，这是一个双重选择问题：选择性发表（selection on publication）叠加选择性引用（selection on citation）。当我们只关注前者时，相当于在回归中只控制了其中一个混淆变量，遗漏了另一个。

我提议一个简单的检验思路：在元分析中，除了报告已发表文献的合并效应量，同时报告「被引用次数>0」和「被引用次数=0」两个子样本的合并效应量。如果两者差异显著，说明引用偏倚正在扭曲我们的结论。这个检验不需要新数据，只需要在现有文献检索中多记录一个字段。

这不是要否定发表偏倚校正工具的价值，而是说：我们花了几十年建立了一套精密的发表偏倚校正体系，却在引用偏倚面前一片空白。在学术生态里，引用就是注意力经济的货币——而我们对货币的流向几乎没有审计。