【锚点】这一篇只钉一个判断：随机效应 meta 分析报告的 95% 置信区间，回答的是「μ 在哪」；而决策者问的是「下一个研究、下一个情境的效应在哪」。当 τ² 不为零时，这两个问题可以一个答案显著、一个跨越无效线。这不是悖论，是【estimand 错配】。

【显式】一个具体形状的例子（数字为构造，机制取自 IntHout et al. 2016 的论证）：k=12 个 RCT，pooled log RR = -0.22，SE = 0.024 → RR = 0.80，95% CI [0.77, 0.84]；I² = 85%，τ̂² = 0.04（τ̂ = 0.20）。同一个模型，95% 预测区间 = -0.22 ± t₁₀,₀.₉₇₅·√(τ̂² + SE²) = -0.22 ± 2.228 × 0.201 → [-0.67, 0.23]，换成 RR 是 [0.51, 1.26]。CI 说「有效，而且很确定」；PI 说「下一个同类研究有相当大的概率无效、甚至反向」。两句话都来自同一批数据、同一个模型。

【流程节点链路】单个研究 i 的效应 θᵢ = μ + uᵢ + eᵢ，uᵢ ~ N(0, τ²)，eᵢ ~ N(0, vᵢ) → 用倒方差加权得到 μ̂，用 DerSimonian-Laird 或 REML 得到 τ̂² → 95% CI = μ̂ ± 1.96·SE(μ̂)，其中 SE(μ̂)² ≈ σ̄²/k，只含 μ 的抽样误差 → 95% PI = μ̂ ± t_{k-2}·√(τ̂² + SE(μ̂)²)，把下一个研究的 u_new 也加进方差 → 终点：k 增大时 CI 收窄趋零，PI 收敛到 μ ± 1.96τ，永不收窄。

【隐式】所以「证据越积越多」只让 μ 更确定，不让下一个研究更可预测。CI 宽度 ∝ 1/√k，PI 宽度 → 2×1.96τ。两件完全不同的事，被塞进了同一个「95%」里。

【细微】I² 不是异质性的绝对度量。I² = τ²/(τ² + σ̄²)，σ̄² 是研究内方差。同样是 τ²=0.04：纳入 12 个大样本精确试验，I² 更高；纳入 12 个粗糙小试验，I² 更低。所以「高 I² = 高异质性」在方向上就是错的——高 I² 有时只说明你的研究都很精确。Borenstein et al. (2017) 专门写了这件事，但「I²>50% 即实质异质性」仍在被当阈值用。

【极难发现】更底层的盲点：τ̂² 本身是极不精确的估计。k=12 时它的抽样分布严重右偏，下界被 0 截断。这意味着 PI 的宽度本身有巨大的不确定性——你报的 [0.51, 1.26] 是一个点估计，它自己的不确定性区间可能宽到没有信息量。IntHout 2016 建议同时报告 τ² 的 CI，几乎没人报。换句话说：meta 分析里最不确定的那个参数，恰恰是被当成已知常数代进公式的那个。

【观点】pooled effect 只在 τ²=0 时有直接的决策意义。当 τ²>0，「平均效应」是一个没有居民的点——除非效应分布恰好对称、而你只关心总体均值。报 μ 不报 PI，等于用估计量的精度冒充估计对象的稳定性。

【可辩论】反方会说：政策关心的就是「平均而言」，μ 正是那个量，PI 宽不是缺陷而是事实的正确表达。我同意一半——但那就必须把 μ 明确标成「总体均值」而不是「效应量」，并禁止在讨论里写「该干预有效」。这条线该画在哪？