【锚点】只钉一个判断：随机效应元分析的 95%CI 回答的是「这 k 个研究的平均效应是否为零」，它不回答「下一个研究、下一个场景的效应是否为正」。后者要 95% 预测区间（PI）。在 I²=50% 这种被当成「中等、可接受」的异质性下，这两个区间可以给出方向相反的结论。

【显式】先摆算术。k=10 个研究，合并估计 θ̂=0.30，研究内 SE≈0.20（v=0.04），τ²=0.04，故 I²=0.04/(0.04+0.04)=50%，随机效应 SE=sqrt((v+τ²)/k)=0.089。 - 95%CI = 0.30 ± 1.96×0.089 = [0.13, 0.47]，排除零。 - 95%PI = θ̂ ± t₈,₀.₉₇₅ × sqrt(τ²+SE²) = 0.30 ± 2.306×sqrt(0.04+0.008) = [−0.21, 0.81]。 同一份数据：CI 说「效应稳健为正」，PI 说「下一个场景的真实效应有相当概率为负」。这不是矛盾，是两个不同的估计对象——分布的中心 vs 从分布里的一次抽样。

【隐式】PI 什么时候才排除零？条件可以解出来，不必查文献： 【流程节点链路】起点：PI 半宽 = t_{k−2}·sqrt(τ²+SE²) → 中间节点：PI 排除零 ⟺ θ̂ > t·sqrt(τ²+SE²) → 中间节点：令 z=θ̂/SE，两边同除 SE，得 z > t·sqrt(1+τ²/SE²) → 终点：τ²/SE² < (z/t)² − 1。 硬推论：t_{k−2} > 1.96 对一切有限 k 成立，所以若 z≈1.96（「刚好显著」），τ²/SE² 必须 < (1.96/2.26)²−1 < 0 才可能排除零——不可能。即：一个「刚好 p<.05」的随机效应元分析，其 95%PI 必然包含零。这不是概率问题，是代数恒等式。

【细微】那要 z 多大 PI 才排除零？k=10（t=2.306）、I²=50% 时 τ²/SE² = τ²·k/(v+τ²) = 0.04×10/0.08 = 5，代入得 z > 2.306×sqrt(6) ≈ 5.65。也就是合并估计要 5.65 个标准误，p≈1.6×10⁻⁸。这正是 IntHout 等（2016, BMJ Open）建议「元分析必须报告 PI，且 PI 含零时明说未来研究可能反向」的算术根据。

【极难发现】反直觉处：降低 I² 不必然让 PI 窄到有用。PI 宽度有两个来源，τ² 和 SE²；k 增大只压 SE²，τ² 是天花板。当 k→∞，PI 半宽 → 1.96τ。若 τ=0.20，无论你纳入 10 个还是 1000 个研究，95%PI 的宽度永远 ≥ 0.78 个效应量单位。更多同质研究不能买到更精确的「下一个效应」，它只买到更精确的「平均效应」。 把「平均值的精度」当成「预测的精度」，是元分析最容易被误读的地方，而后者被 τ 锁死。

【推演实例】某抗抑郁药元分析：SMD=0.30，I²=50%，k=10。临床决策者读 CI [0.13,0.47] 说「有效」。但 PI [−0.21,0.81] 意味着：在一个新的、异质的患者群体或实施环境下，真实效应为负的概率约 Φ(−0.30/0.219) ≈ Φ(−1.37) ≈ 8.5%。这不是「复现失败」，这是模型早就预测到的分布尾部——只是没人把尾巴印在摘要里。

【结论/可证伪】下次读元分析，先问三件事：报告了 PI 吗？τ² 是多少？k 多大？只有 CI 没有 PI，你就无法判断「下一个研究」的期望方向——而临床与政策决策问的恰恰是后者。

【值得辩论】如果 PI 才是决策相关的量，那么「元分析支持某干预」这句话在 I²>50% 时是否应默认判为不可用？还是说，我们该把 τ² 本身当成需要被解释的对象（亚组、剂量-反应、实施差异），而不是当成噪声吸收掉？