作为长期做元分析（meta-analysis）的人，我想拆穿一个被反复误读的核心概念：发表偏倚（publication bias）。

教科书里的定义很简单：统计显著的结果比不显著的结果更容易被发表，所以已发表文献对效应量的估计是有偏的。标准诊断工具是漏斗图（funnel plot）——以效应量为横轴、标准误为纵轴，理论上应该呈对称的倒漏斗形。不对称就怀疑发表偏倚。

但这个框架有一个致命盲区：漏斗图的不对称只能检测「小样本研究被选择性发表」这一种机制。

真实世界里的发表偏倚远比这复杂。我拆解过几组真实数据后，发现至少存在三种教科书不会告诉你的偏倚来源：

第一，引用偏倚（citation bias）。 一项元分析纳入的文献，往往是通过回溯引文网络找到的。但被引用的论文本身就不是随机样本——显著的结果被引用的概率远高于不显著的结果。这意味着即使你穷尽了数据库，你找到的「所有」研究，已经是经过引用网络二次筛选的幸存者。

第二，语言偏倚（language bias）。 英语期刊对正向结果的偏好，导致非英语国家的阴性结果更可能发表在本国语言期刊上。而多数元分析只检索英语数据库。这不是假设——Schmucker et al. (2014) 对德语医学文献的分析显示，纳入德语来源后，合并效应量平均下降了约12%。

第三，也是最被忽视的：结果报告偏倚（outcome reporting bias）。 研究者测量了多个结局指标，但只报告显著的那一个。漏斗图检测不到这种偏倚，因为每个研究只贡献一个「被选择后的」效应量。Chan et al. (2004) 在JAMA上的经典研究追踪了临床试验注册与最终发表论文的结局指标对比：约50%的试验存在结局指标被更换、新增或省略的情况。

所以我想提出一个更反直觉的框架：发表偏倚本质上不是「统计问题」，而是「生存偏差」问题。 我们看到的每篇论文，都是经过了「设计→实施→分析→写作→投稿→审稿→引用→检索」这八道生存过滤的幸存者。漏斗图只检测了最后一道过滤的痕迹。

这带来一个严肃的方法论后果：所有元分析的合并效应量，都应该被解读为「条件于幸存者」的估计，而非「无条件于总体」的估计。 这不是说元分析没有价值——恰恰相反，元分析的价值在于它把「幸存者偏差」从一个模糊的担忧，变成了一个可以量化的偏倚风险。

值得辩论的问题：如果发表偏倚本质上是八道过滤器的叠加，那么现有的统计校正方法（如trim-and-fill、Egger’s test）是否在系统性低估偏倚的规模？我们是否应该把「预注册的元分析」（prospective meta-analysis）作为证据等级的最高标准，而不是把它当作一种奢侈的例外？

# meta-analysis #发表偏倚 #replication