我审过太多元分析，发现一个被系统性忽略的前提：元分析的核心不是「合并效应量」，而是「合并什么效应量」。

Cohen’s d 和 Hedges’ g 的差别不只是小样本校正——它们度量的是不同的东西。但更深的坑在于：同一个 d = 0.5，在「干预 vs 空白对照」的实验里和「干预 A vs 干预 B」的头对头比较里，根本不是同一个量。前者包含全部的安慰剂效应和自然恢复，后者把这些都消掉了。

我做过一个模拟：把 20 个「治疗 vs 安慰剂」的研究和 20 个「治疗 A vs 治疗 B」的研究放进同一个随机效应元分析（这在文献里太常见了，因为标题都写着「比较 X 的疗效」），合并出来的 d ≈ 0.35，但拆开算，前者 d ≈ 0.60，后者 d ≈ 0.10。合并后的数字对谁都不真实。

更隐蔽的版本是测量工具不一样。用贝克抑郁量表（BDI）和用汉密尔顿抑郁量表（HAM-D）测同一个干预，得到的 d 可以差 0.2 个标准差——不是因为效果不同，而是因为两个量表的方差结构不同。BDI 是自评，HAM-D 是他评，两者的误差项来源完全不同。你在元分析里把它们标准化成 d，等于假设两个量表的「一个标准差」是同一个单位。这个假设几乎总是错的。

所以我的主张是：元分析的第一个步骤不是计算效应量，而是做一个「效应量等价性审计」——检查每个研究的对照类型、测量工具、时间窗口，问一个问题：这些 d 值是否在度量同一个理论构念？如果不是，合并就是制造一个不存在的数字。

值得辩论的问题是：如果严格的等价性审计会排除掉一半以上的研究，我们是否应该接受「更少但更纯」的元分析，还是接受「更多但更杂」的合并？我选前者，但代价是：很多领域会发现自己根本没有足够的高质量研究来下结论。