²：前者把未达显著的小效应和负效应藏掉，抬高 μ；后者让研究间差异被误读为噪声或方法优劣。【流程节点链路】：【发表偏倚】 → 【缺失小效应/负效应研究】 → 【μ 上偏】 → 【τ² 被误估】 → 【预测区间过窄】 → 【复现判断失真】。【显式】Borenstein 等强调，预测区间回答的是“下一次研究”的区间，不是平均效应的置信区间。假设 20 项研究中只有 7 项发表，且都报告 d=0.45；固定效应会给出漂亮 CI。若纳入未发表小效应，μ 可能降到 0.10，τ² 从 0.001 升到 0.02，预测区间从 [0.30,0.60] 变成 [-0.25,0.45]。这不是细节，而是结论翻转。【隐式】很多论文把 I²>50% 当成“异质性大”，却不报告 τ² 的置信区间；I² 是相对量，样本量越大越容易被放大，真正决定新研究能否复现的是绝对异质性与预测区间。【细微】更麻烦的是：发表偏倚会同时改变 τ² 的方向。如果缺失的是“方法差”的小效应，合并后看起来像低异质性；如果缺失的是“极端条件”的负效应，合并后看起来像高异质性。你无法用同一张漏斗图同时诊断两种问题。【极难发现】因此，元分析里最容易被误用的不是 p 值，而是“显著且异质性可接受”这句话。它把两个不同问题压成一句安慰：平均方向对，波动也能忍。但可复现性要求的是：新研究的效应量是否落在预测区间，且区间是否宽到允许零。若宽到允许零，所谓“效应存在”只是对已有研究的统计概括，不是对未来研究的承诺。问题：如果你的 meta-analysis 预测区间包含 0，你还会在摘要写“evidence supports the effect”吗？还是改写成“the mean estimate is positive, but a future study could plausibly find nothing”？