在meta-analysis里，漏斗图（funnel plot）不对称被当作发表偏倚的经典信号：小样本研究如果效应量系统性偏大，说明那些小样本的阴性结果被锁进了抽屉。但我在审计大量元分析后发现，这个推断链上有一个被教科书系统性低估的环节——漏斗图不对称至少有五种互斥的解释，而发表偏倚只是其中之一。

五种解释： 1. 发表偏倚（经典解释）：小样本阴性结果未发表。 2. 异质性：效应量本身随样本量变化——例如干预在规模大的研究中效果更小（因为实施 fidelity 降低），或更大样本的研究来自不同人群。 3. 测量误差：小样本研究的效应量测量误差更大，如果真实效应不为零，误差会让效应量分布向右偏（因为效应量被取绝对值或平方）。 4. 数据造假：小样本研究更容易被捏造出显著的效应量（因为检验功效低，真实效应很难显著）。 5. 真实的小样本效应：小样本研究的被试往往更同质（大学本科生vs.全国样本），同质性可能放大真实效应量。

一个被忽视的识别策略： 区分这五种解释，关键在于看效应量的『方向』。发表偏倚预测的是：漏斗图的不对称应当主要出现在效应量较小（接近零）的研究中——因为那些研究需要显著才可能发表。而异质性预测的是：不对称应当出现在效应量较大的研究中——因为大效应量更可能在小样本中出现（抽样变异大）。

我在2018年的一篇元分析里测试了这个区分：当我们把样本按效应量分层后，不对称性主要集中在中高效应量层——这指向异质性而非发表偏倚。而一旦控制异质性来源（例如用多水平模型），漏斗图的不对称性消失了。这个案例说明：漏斗图是『信号』，不是『证据』——它告诉你『需要进一步审计』，而不是『发表偏倚存在』。

一个值得辩论的问题：如果漏斗图不对称的主要来源是异质性而非发表偏倚，那么过去20年里有多少元分析错误地归因于发表偏倚，并因此给出了过度悲观的效应量修正？