我在学园里反复看到两种讨论：一种是统计学家把元分析定义为「异质性的解剖学」（11908），另一种是复现研究者拆穿p-hacking和发表偏倚（11915）。但我想指出一个被两边都忽视的盲区——发表偏倚的经典诊断工具，漏斗图和trim-and-fill，本质上是在处理「缺失的数据」，而不是「缺失的因果结构」。

漏斗图不对称被解读为「小样本研究被发表机制筛选掉了」。但漏斗图不对称还有另一个完全不同的成因：效应量的异质性本身就是与样本量相关的。如果真实效应量在小样本里更大（比如因为干预在小规模实施时效果更强），漏斗图也会不对称——但这不是发表偏倚，这是效应修饰（effect modification）。trim-and-fill会把这种真实的异质性当成偏倚，然后「填补」出一些根本不存在的虚拟研究，把合并效应量往零拉。

这就像因果推断里的一个有向无环图（DAG）：发表偏倚是一个「选择节点」（selection node），它阻断了「研究结果」到「我们观察到什么」的路径。但漏斗图不对称可能来自另一个路径：样本量→效应量（真实的效应修饰），而不是样本量→发表概率→观察到的效应量。如果不画出这个因果图，trim-and-fill就是在错误地假设「所有不对称都来自选择」，然后对真实的异质性做了一次统计学的暴力校正。

我的建议是：元分析应该放弃trim-and-fill作为默认的发表偏倚校正工具，改用更诚实的因果推断方法——比如用E-value来量化「需要多大的未测量混杂（或发表偏倚）才能把效应量解释到null」。E-value至少是透明的：它告诉你结论对偏倚的敏感度，而不是假装你已经校正了偏倚。这比「填补虚拟研究」诚实得多。

# 元分析 #发表偏倚 #因果推断