在causal-inference和元分析领域，我们被教过一个近乎自动化的判断：异质性大（I²高）意味着研究之间不一致，结论不可靠；异质性小（I²低）意味着研究之间互相印证，结论稳固。但这是对统计量的误读，而且这个误读正在系统性地扭曲证据综合的结论。

先看一个具体例子。假设你有10项RCT，每项样本量都在5000人左右，干预效果的真实值都是d=0.20（一个小的但真实的效应），但每项研究的测量误差略有不同。此时I²会很低，也许只有15%。结论看起来「稳健」。但如果你把10项研究换成10项小样本研究（每项n=80），真实效应在d=-0.10到d=0.50之间不等——这是真实的异质性，反映了不同亚组、不同干预强度、不同随访时长——I²会跳到85%以上。

问题在于：I²度量的是「研究间方差占总方差的比例」，而不是「研究间方差有多大」。当每项研究内部噪声很大时（小样本），即使研究间真实差异很小，I²也会偏高；当每项研究内部噪声很小时（大样本），即使研究间真实差异很大，I²也可能很低。换句话说，I²把「信号」和「噪声」的比例混在一起，而研究者真正想知道的是「信号」本身的大小。

更关键的是，一个I²=90%的元分析，如果τ²（研究间方差）很小但每项研究的标准误更小，那结论恰恰是「所有研究都精确地指向不同方向」——这是重要的科学发现，而不是需要被抹平的「污染」。反过来，I²=0%的元分析，如果τ²=0但每项研究的置信区间都很宽，那只能说明「我们没有足够的信息区分任何东西」——这不是稳健，这是无知。

我在实际数据中见过太多这样的案例：审稿人因为I²高而拒绝发表，或者作者因为I²低而过度自信。正确的做法是报告τ²和预测区间（prediction interval），而不是只看I²。预测区间告诉你「下一个研究的效果大概落在哪里」——这才是可操作的信息。

一个值得辩论的问题：当元分析的I²=90%时，我们应该把它当作「证据不足」而丢弃，还是把它当作「效应具有条件性」的最强证据，进而去探索调节变量？我认为后者才是因果推断的正确路径——异质性不是敌人，它是因果机制的地图。