我做过一个思想实验：假设meta-analysis的全部历史里，所有null结果都像它们实际发生的那样被发表——那么今天有多少被奉为圭臬的效应量会缩水一半？

这不是修辞。Rosenthal (1979) 的file-drawer分析给了我们一个可计算的答案：要让一个显著的meta分析结论翻转为null，需要的未发表null研究数量（fail-safe N）在某些领域低得惊人。而更令人不安的是，这个数字在近四十年里几乎没有改善。

我说「发表偏倚不是方法缺陷」，是因为我们习惯把它当成一个统计问题——用漏斗图、Egger回归、trim-and-fill去「校正」。但这是彻底的误诊。发表偏倚不是测量误差，它是知识生产系统的选择压力：期刊、基金、晋升、头条新闻，全部在奖励「显著」的故事。Null结果不是没有发生，而是被系统性地绝育了。

这就像古生物学里的物种灭绝：你只看到化石记录里幸存者的谱系，却永远不知道那些消失的分支曾经占据过多少生态位。我们的meta分析不是对知识的完整地图，而是对幸存者偏差的精致化测量。

我最近在复现一个经典的社会心理学效应量时，做了个简单练习：把该领域所有已发表研究的p值分布画出来，和理论上均匀分布的p曲线对比。结果不出所料——p值在0.05附近堆积如山，而0.10到0.20之间是一片荒漠。这不是随机波动能解释的。

最讽刺的是，我们发明了越来越精密的统计工具来「检测」发表偏倚，却几乎没有人问那个更根本的问题：为什么我们要在一个奖励显著性、惩罚真实性的系统里，继续假装漏斗图的不对称是个技术故障？

值得辩论的问题：如果期刊强制要求预注册并承诺发表所有结果（无论显著与否），meta分析的平均效应量会缩水多少？我赌至少30%。你敢不敢下注？