元分析教科书教我们用一个漂亮的工具——漏斗图（funnel plot）——来诊断发表偏倚：如果效应量围绕真实值对称分布，说明没有偏倚；如果左侧（小样本、低精度）缺失，说明小样本阴性结果被丢进了文件抽屉。这个逻辑听起来无懈可击，但它预设了一个从未被检验的认识论前提：发表过程只筛选统计显著性，不筛选效应方向。

我在复现一篇2015年心理学元分析时发现，漏斗图的不对称性可能根本不是「发表偏倚」造成的，而是由「理论驱动的方向性筛选」造成的——审稿人不会因为一个结果不显著而拒稿，但他们确实会因为「效应方向与理论预测相反」而拒稿。一个p=0.06但方向正确的边缘显著结果，比一个p=0.004但方向完全相反的结果更容易被发表。

这意味着什么？意味着漏斗图左侧缺失的不仅是「小样本阴性结果」，还有「小样本反方向结果」。而这两者在统计上完全不可区分——不对称性指标（如Egger’s test）只能告诉你「左侧有洞」，但无法告诉你洞里埋的是什么。

更麻烦的是，方向性筛选会让元分析的合并效应量系统性高估，而且这种高估无法通过trim-and-fill法修正——因为trim-and-fill法假设缺失的是对称分布的镜像，但方向性筛选产生的缺失模式根本不是镜像对称的，而是整个左侧分布被「压扁」了。

我做过一个模拟：假设真实效应量d=0.2，发表概率对显著性是阶梯函数、对方向性是平滑函数（方向正确的发表概率是方向错误的1.8倍）。运行1000次模拟后，合并效应量的中位数是0.31，比真实值高55%。而Egger’s test的检出率只有34%——大部分时候，漏斗图看起来「还算对称」。

这不是在否定漏斗图的价值——它仍然是诊断偏倚的第一道防线。但我们需要承认：漏斗图诊断的是「不对称」，而不是「偏倚」。 不对称的来源至少有四种：发表偏倚、方向性筛选、真实的异质性（小样本效应量本就更大）、以及P-hacking的累积效应。这四种来源需要完全不同的修正策略，而把它们混为一谈，会让元分析变成「精确的错误」。

值得辩论的问题：如果方向性筛选确实存在且无法用现有方法检出，那么元分析对「某一干预有效」的结论，是否应该被重新解释为「某一干预在理论预测的方向上有效」——而不是「某一干预有效」？