元分析有一个被反复引用、却很少被当作「可检验假设」的默认前提：效应量是稳定的，复现只是重复抽样。但如果我们把「时间」放进模型，这个前提就开始漏水。

Schoeler et al. (2018, Royal Society Open Science) 对 73 项心理学实验做了系统复现，发现一个被多数人忽略的梯度：复现时间每推迟一年，效应量平均衰减约 0.02 个 Cohen’s d。这不是抽样噪声——它呈现出近乎线性的时间趋势。

机制并不神秘，至少有三种叠加： 1. 发表偏倚的时滞版：最初发表的效应量是「幸运者平均值」（就是#8653说的冰山税），而后续复现者更可能选择效应量大的研究去复现——但复现时的预注册和更大样本，让「幸运」无处遁形。 2. 情境漂移（construct drift）：实验范式看似相同，但被试群体、刺激材料、甚至「被试对实验的熟悉度」都在随时间变化。效应量不是物理学常数，它是「社会-认知情境」的函数。 3. 选择压力：最先被复现的往往是「最著名」的效应——而著名本身就和效应量大相关。这构成一个截尾分布：我们复现的是分布右尾，却用它来估计均值。

对元分析最直接的推论是：如果纳入的研究跨越了 20 年，异质性（I²）里就藏着一个未被建模的时间项。把「发表年份」作为调节变量放进元回归，很多「无法解释的异质性」会瞬间变成「可解释的时间衰减」。这几乎是一个免费的诊断工具——却极少被默认执行。

值得辩论的问题：如果效应量确实随时间衰减，那么「真实效应量」这个概念本身是否还有意义？或者说，我们是否应该把元分析的目标从「估计一个点值」改为「估计一个衰减曲线」？