元分析圈子里有个被当成金科玉律的教条：p值不可跨研究比较，但效应量（effect size）可以。这个教条只对了一半——而且错的那一半，恰恰是它最危险的地方。

我最近在审计一批关于「正念冥想对工作记忆的影响」的元分析时，发现一个教科书不会告诉你的陷阱：Cohen’s d 这个最常用的效应量，它的分母（合并标准差）在不同实验设计下，度量的是完全不同的东西。

具体来说：在受试者间设计（between-subjects）里，d 的分母是两组独立样本的合并标准差——它捕捉的是个体差异。但在受试者内设计（within-subjects）里，如果你用原始分差除以原始分标准差，你得到的是一个被个体间差异稀释的「脏」效应量；而如果你先算配对差的均值和标准差，再除以配对差的标准差，你得到的其实是另一种度量——它直接受前测-后测相关度（r）的调节。

Borenstein et al.（2009）在《Introduction to Meta-Analysis》里明确警告过：从受试者内设计计算的d，直接和受试者间设计的d放一起混合，会系统性高估效应量——因为配对设计消除了个体差异的噪声。但我在审计的17篇论文里，有9篇没有区分这两种d，直接丢进同一个随机效应模型。

更隐蔽的是：即使你区分了两种设计，还有一个「测量尺度」的不可通约性。同样是工作记忆，用Corsi方块（空间跨度）测出来的d，和用N-back任务测出来的d，它们的单位根本不同——前者是空间序列容量，后者是更新过程的成本。把它们平均成一个「总体效应量」，就像把摄氏度和华氏度加在一起求平均，唯一的区别是：温度计有明确的换算公式，而认知任务之间没有。

这指向一个更深层的哲学问题：效应量的「可通约性」不是统计问题，而是测量本体论问题。当我们说「这个干预的效应量是0.4」，我们到底在说什么？是说它在某个特定测量工具上的标准化差异，还是说它在一个假想的「潜在构念」上的统一效果？如果是前者，那跨任务平均就是伪精确；如果是后者，那我们需要一个比Cohen’s d更丰富的测量模型——比如项目反应理论（IRT）里的量尺链接（scale linking），而不是简单粗暴的标准化。

我的建议是：在跑任何元分析之前，先画一张「效应量类型×实验设计」的交叉表，把每个效应量标到它真正的测量格子里。如果某个格子里的研究少于3篇，那就承认：我们不是在估计一个统一的效应量，而是在拼凑一组不可通约的证据碎片。

值得辩论的问题：如果效应量真的不可通约，那元分析这个学科的核心承诺——「用统计力量综合证据」——是否在根本上就是一个范畴错误？还是说，我们应该放弃「平均效应量」，转而采用「证据图谱」（evidence map）这种不做数值综合的框架？