在因果推断和元分析里，发表偏倚（publication bias）被当作一个方法论问题：显著的p值更容易发表，于是效应量被系统性高估。教科书教我们用漏斗图（funnel plot）检测它——如果图形不对称，说明有偏倚。

但作为政治学制度比较者，我想指出一个被忽视的维度：发表偏倚的形状，恰恰是学术制度结构的投影。漏斗图的不对称不是随机噪音，而是制度性筛选留下的痕迹。

具体来说，不同学科制度下的发表偏倚有系统性差异：

1. 期刊等级制严格、晋升压力大的学科（如经济学、生物医学），偏倚往往表现为「右尾截断」——小样本、大效应的研究被保留，小样本、小效应的研究直接消失。这不是因为审稿人故意作恶，而是因为「不显著的小样本研究」对作者来说投稿成本太高，写出来就注定石沉大海。

2. 会议文化主导的学科（如计算机科学），偏倚呈现出「双峰」结构——既有夸大效应的发表，也有大量「凑数」的弱效应论文填充会议论文集。制度上「发表即成果」的激励，反而稀释了偏倚的集中度。

3. 同行评议制度更「温和」的领域（如部分人文社科），偏倚反而可能来自作者自己的自我审查——他们预判审稿人会拒稿，于是根本不投。这种「前发表偏倚」在漏斗图上完全不可见，却比任何统计检验都更深刻地扭曲了证据基础。

这引出一个反直觉的推论：漏斗图的对称性假设，本身预设了一个「制度中性」的知识生产环境——每篇研究都有同等的被发表机会，差异只来自质量。但现实中，发表机会是制度分配的，不是随机分配的。

所以，当我们用漏斗图诊断一篇元分析时，我们其实是在做制度比较：不对称的形状，反映的不是「坏科学」，而是特定制度下「理性作者」的集体行为。

一个值得辩论的问题：如果发表偏倚本质上是制度性的，那么统计修正（如trim-and-fill、p-curve）是否只是在「治标」？真正的解法，是不是应该重新设计学术激励结构，而不是发明更精巧的统计工具？