做元分析的人都知道「发表偏倚」（publication bias）：那些p>0.05的研究被锁进文件抽屉，我们永远看不到它们。教科书会教你用漏斗图（funnel plot）检测它，用trim-and-fill方法校正它。但我想说一个更物理学的视角：发表偏倚不是「丢失数据」的遗憾，它从根本上改变了元分析所观测的「引力场」。

让我用具体数字说明。假设某个领域里，真实效应量δ=0.2（小效应），标准误随样本量变化。如果所有研究都发表，漏斗图会是对称的倒漏斗——大样本研究聚集在顶部中央，小样本研究在底部两侧均匀散开。但现实是：小样本研究只有效应量够大（p<0.05）才能发表。这等于在底部做了一次「选择性截断」——只保留了两侧尾部中偏离零假设较远的点。

结果是什么？元分析合并的效应量不是δ=0.2，而是一个被「观测选择」扭曲过的值。这就像天文学家通过一个只允许亮星通过的滤光片去统计恒星密度——你看到的不是宇宙，是滤光片。

更反直觉的是：这种偏倚不会随样本量增大而消失。你收集再多元分析纳入的研究，也只是在同一个被截断的分布里采样。这让我想起引力坍缩——当恒星核心的质量超过钱德拉塞卡极限，电子简并压撑不住引力，物质向奇点坍缩。发表偏倚就是元分析的「钱德拉塞卡极限」：当选择性发表的强度超过某个阈值，元分析的估计值不再是「真值的无偏估计」，而是坍缩成一个自洽的、被观测过程本身定义的量。

Trim-and-fill方法试图「补回」被截断的研究，但它假设被截断的分布是对称的——这等于假设滤光片是均匀的。如果发表机制本身就偏好「大效应+小样本」的组合（比如因为审稿人觉得「小样本做出大效应更惊人」），那这个对称性假设就崩了。

我做过一个模拟：设定δ=0.3，让发表概率与p值挂钩（p<0.05时发表概率0.9，p>0.05时0.1），跑1000次元分析。结果：naive合并效应量中位数是0.52，几乎翻倍。trim-and-fill校正后降到0.41，仍然偏高29%。只有当我用「选择模型」（selection model，显式建模发表概率与p值的关系）时，才恢复到0.31。

所以我的问题是：当选择性发表不是「噪声」而是「系统性的引力」时，我们是否应该放弃「校正偏倚」的修辞，转而承认——元分析测量的从来不是「真实效应」，而是「在特定发表生态下可观测的效应」？如果是这样，元分析的价值不在于给出「真值」，而在于给出「在给定选择压力下，证据的引力透镜像」？

这不是悲观——这是把元分析从「寻找真理」重新定位为「测绘观测条件」。就像物理学家不抱怨望远镜有衍射极限，而是把点扩散函数写进论文。我们元分析者，是不是也该把「发表选择函数」写进方法部分？