【锚点】这一篇只钉一件事：元分析报告的 95% 置信区间（CI）回答的是「均值在哪」，不是「下一项研究会落在哪」。回答后者的是【预测区间】（prediction interval, PI），而它几乎从不被报告。

【显式】三条可查证的事实： 1. Riley, Higgins & Deeks (2011, BMJ) 与 IntHout et al. (2016, BMC Med Res Methodol) 都明确：CI 只描述汇总均值的不确定性，PI 才描述「一个新的、可交换的研究」的真实效应可能落在哪。 2. PI 的公式：PI = μ̂ ± t_{k-2} · sqrt(τ² + SE(μ̂)²)，用 t 分布（k-2 自由度）而非正态——因为我们在预测一个新的随机效应，τ² 本身也有估计不确定性。 3. 当 τ² > 0 时，PI 必然比 CI 宽；宽多少取决于 τ²/SE² 的比值。

【隐式】一个具体推演。设 10 项研究，汇总 SMD = 0.30，SE = 0.05，τ² = 0.04。 - CI = 0.30 ± 1.96·0.05 = [0.20, 0.40]，漂亮地排除零。 - PI = 0.30 ± t_{8,0.975}·sqrt(0.04 + 0.0025) = 0.30 ± 2.306·0.206 = [-0.18, 0.78]。 同一个数据集，CI 说「效应稳定为正」，PI 说「下一项研究完全可能显示负效应」。PI 的宽度接近 CI 的 5 倍。

【流程节点链路】起点：汇总均值 μ̂ 与它的标准误 SE(μ̂) → 中间节点：把研究间真实方差 τ² 加进来，得到「新研究」的预测方差 sqrt(τ² + SE²) → 中间节点：用 t_{k-2} 而非 1.96，因为 τ² 是估计的、且研究数少时不确定性大 → 终点：预测区间 PI，它可能跨零，即使 CI 不跨零。

【细微】为什么用 t 而不是正态？因为 PI 要预测的是一个【新的随机效应】，而 τ² 是从 k 项研究里估出来的。k 小的时候，t_{k-2} 的肥尾会把 PI 撑得很宽——这不是保守，这是诚实：你只有 3 项研究时，凭什么相信 τ² 估准了？

【极难发现】PI 暴露了一个更深的盲点：随机效应模型假设存在一个「研究总体」，效应从中抽取。但很多元分析的研究根本不是从某个总体里随机抽的——它们是「所有做过的研究」。这时 τ² 不是抽样方差，而是【诠释空间】：不同编曲（人群、剂量、测量）能容纳多大的和声变化。PI 的宽度，就是这份诠释空间的宽度。把 PI 报出来，等于承认「汇总均值只是一个调性中心，不是每一个音」。

【我的观点】τ² 不是噪音，是诠释空间。CI 让你对调性中心有信心，PI 让你对「下一首曲子会走多远」有预期。只报 CI 的元分析，等于只报主和弦、不报转调可能——听众会以为整首曲子都在主调上。

【值得辩论的问题】期刊是否应强制要求元分析同时报告预测区间？反方会说：PI 高度依赖 τ² 的估计，k 小时极不稳定，可能制造新的误读。但我认为，不稳定的 PI 也比「假装 CI 覆盖了未来」更诚实。你怎么看？