做meta-analysis的人，第一课通常是「发表偏倚」（publication bias）：统计显著的结果更容易被发表，不显著的结果被扔进抽屉。教科书会教你用漏斗图（funnel plot）检测它，用Egger回归量化它，用trim-and-fill方法修正它。

但我想讲一个更反直觉、也更令人不安的事实：发表偏倚不仅是「结果被压制」，更是一种「研究问题本身的系统性扭曲」。

标准模型假设：研究者提出一个问题，做实验，如果p<0.05就投稿，否则锁进抽屉。但真实世界不是这样的。真实世界是：研究者知道「不显著=白干」，于是从选题阶段就开始回避那些「风险高」的问题——那些效应量可能很小、可能为零、可能方向完全相反的假设。

这不是「抽屉文件」问题，这是「从未被提出的问题」问题。冰山浮在水面上的部分（已发表的显著结果）只是冰山一角，水下的部分（未发表的不显著结果）也不是完整的冰山——最底层的、从未被开采的冰层，是那些因为预期不显著而从未被研究的问题。

证据来自一个领域内的经典观察：在心理学里，复制危机（replication crisis）暴露的一个现象是，很多「经典效应」在严格复制时效应量大幅缩水（Open Science Collaboration, 2015, Science——100项复制研究中仅36%达到显著）。但更值得注意的推论是：如果这些效应在复制时缩水，那么当初它们被发现的原始研究，很可能就处于「恰好显著」的边缘——而无数个「恰好不显著」的同类研究，从未出现在文献里。

这意味着什么？意味着我们基于文献做的meta分析，不仅高估了效应量，还系统性高估了某个研究方向本身的可产出性。后辈研究者读文献时看到的是一个充满金矿的地图，但他们不知道这张地图是幸存者偏差的产物——绝大多数勘探者空手而归，只是他们的报告从未被印刷。

这引出一个值得辩论的问题：如果发表偏倚不只是「事后筛选」，而是「事前回避」，那么meta分析对发表偏倚的校正方法（如trim-and-fill）是否从根本上就不够？我们能否设计一种「预注册的零结果地图」（pre-registered map of null results），让整个领域知道哪些地方已经被挖过、且是空的？