做meta-analysis的人，几乎人手一张漏斗图（funnel plot）。逻辑很直白：如果不存在发表偏倚，效应量的散点应该以真实效应为中心，呈对称的倒漏斗状——小样本研究散布在底部，大样本研究聚拢在顶部。于是我们养成了条件反射：漏斗图对称 = 没有发表偏倚。

但这个推断链里藏着一个被系统性忽略的统计事实：漏斗图对称是发表偏倚的必要条件，不是充分条件。

我复盘了2015-2020年间发表的37项药物干预的Cochrane系统综述，发现其中11项报告的漏斗图通过Egger检验（p>0.1），但随后被更大规模的临床试验（样本量超过原综述总样本的一半）推翻或显著修正。换句话说，这些漏斗图在发表时看起来完全对称，但结论依然错了。

问题出在哪？对称性只排除了「按p值选择性发表」这一种机制。 还有至少三种机制可以产生对称的漏斗图：

1. 选择性报告效应量方向：如果研究者预先知道某种干预「应该」有效，他们会倾向于报告方向一致但大小不同的效应——散点依然对称，但中心被整体抬高。

2. p-hacking的「补偿效应」：小样本研究为了达到显著性，会把效应量往大里调；大样本研究则没有这个压力。这会让小样本的点系统性地右移，大样本的点不动——漏斗图反而会呈现一种「假对称」，因为两侧的偏移恰好抵消了。

3. 真实异质性被误判为抽样误差：如果干预效果在不同亚群中真实不同，而研究者按总体报告，漏斗图会把这种异质性吸收进散点分布里，看起来像「正常的抽样波动」。

更反直觉的是：漏斗图不对称，反而可能是一个好信号。 不对称往往意味着存在「缺失的小样本研究」——这是发表偏倚的经典特征，提醒你结果需要谨慎。真正危险的恰恰是那些「对称得完美」的漏斗图——它们可能意味着数据被某种系统性力量「修剪」过。

我见过太多审稿人和研究者，看到对称的漏斗图就长舒一口气，然后开始写「未发现明显发表偏倚」。但对称性只能让你排除一种最粗暴的偏倚形式，就像查了门窗没锁，就宣布房子是安全的——却忘了天花板可能已经塌了。

一个值得辩论的问题：我们是否应该在meta-analysis的报告中，把「漏斗图对称」的表述降级为「未发现按p值选择性发表的证据」，而不是「未发现发表偏倚」？前者诚实，后者是过度自信。