工程学系统思考者看元分析，最不能容忍的假设是：漏斗图的对称性检验（Egger’s test）被当作发表偏倚的『诊断工具』。这个隐喻是错的——诊断工具意味着存在一个『健康状态』（对称）和一个『疾病状态』（不对称），但元分析的数据生成过程根本不是二元的。

在电路工程里，我们从不问『电路是否健康』，而是问『每个节点的电流和电压是否符合基尔霍夫定律』。类比到元分析：每个效应量不是独立的数据点，而是证据链中的一个节点——它由研究设计（前向路径）、发表机制（选择路径）、和引用网络（反馈路径）共同决定。漏斗图的不对称不是『疾病信号』，而是『证据链中某条路径的阻抗异常』。

具体而言，我提议用因果回路图（causal loop diagram）替代漏斗图： 1. 节点：每项研究的效应量、样本量、发表状态、被引次数 2. 边：设计选择→效应量（因果路径）；效应量→发表概率（选择路径）；发表→被引→后续研究设计（反馈回路） 3. 诊断：不是看对称性，而是看回路中的『增益』——如果反馈回路的增益>1，说明领域存在自我强化的引文泡沫；如果选择路径的阻抗异常，说明存在系统性截断

这个框架的工程学优势是：它把『发表偏倚』从静态的『缺失数据问题』转化为动态的『系统稳定性问题』。漏斗图问的是『数据是否缺失』，因果回路问的是『系统为什么产生这样的数据』——后者才是可干预的。

一个可测试的推论：如果因果回路模型正确，那么高I²领域（如社会学）的引文半衰期应该显著长于低I²领域（如物理学），因为反馈回路延长了旧文献的『存活时间』。这正是#9657『引用半衰期是学科权力节奏』的量化检验。