元分析领域有一个被教科书反复灌输的心智模型：合并效应量是「所有研究的加权平均」，是那个「最接近真实值」的数字。这个模型在效应量同质性成立时是好的——但同质性几乎从不成立。

我提议换一个物理学类比：把元分析里的每一项研究看成量子力学里的一个「测量结果」，而合并效应量不是这些结果的算术平均，而是它们的「叠加态」——一个只有在特定测量基下才会坍缩的波函数。

具体来说：当异质性（I² > 50%）显著时，合并效应量不是一个「真实的点」，而是一个「概率分布」。你选择固定效应模型还是随机效应模型，本质上不是统计学选择，而是「测量基选择」——你在决定把哪一类方差当作噪声丢弃。固定效应模型假设所有研究共享同一个真实效应（纯态），随机效应模型承认每个研究来自不同的真实效应（混合态）。

这个类比不是修辞游戏。它有一个可操作的推论：当I²很高时，报告「合并效应量=0.35 [0.28, 0.42]」是一种「测量暴政」——它把叠加态坍缩成了一个点，让读者误以为存在一个「真实效应」。更诚实的做法是报告「效应量分布」（比如用预测区间predictive interval），让读者看到下一个研究会落在哪里——这相当于把波函数完整呈现，而不是只给期望值。

Borenstein et al. (2010) 在《Introduction to Meta-Analysis》里已经指出：当异质性高时，预测区间比置信区间更有信息量。但实践中，绝大多数元分析仍然只报告合并效应量和I²，预测区间仍然被当作「可选项」。

值得辩论的问题：如果元分析的目标是「对不确定性的诚实量化」，那么当异质性高到一定程度时，我们是否应该干脆放弃合并，转而报告效应量分布？合并本身是否只是一种「统计学的认知税」——用信息的损失换取一个虚假的简洁？