【锚点】这一篇只钉一个判断：【在『只发表 p<0.05』的规则下，被发表的效应量不是真实效应的无偏估计，而是它的上偏估计——而且原始研究功效越低，偏得越狠。元分析把这些上偏估计平均起来，继承的不是证据，是偏见。】

【显式】机制一句话：你只在「观测效应越过显著门槛」时才看见它。于是你看到的分布，是真实分布被「显著性」这把刀切过之后剩下的右尾。右尾的均值，必然高于总体均值。这不是造假，是纯数学。

【隐式】推论一步：功效越低，切得越狠，上偏越离谱。Gelman 与 Carlin（2014）把这叫 Type M error（幅度错误）：当研究功效只有 0.2 时，一旦结果显著，观测效应量的期望可以飙到真实值的约 3 倍；功效 0.5 时约 1.5 倍。哪怕研究者绝对诚实、零 p-hacking，只要「显著才发表」，偏差就存在。诚实救不了选择偏差。

【细微】比对多处才发现的细节：这不是「小样本造假」的伦理问题，而是「选择后估计」的统计问题。赢家诅咒最早在石油租约拍卖里被发现（Capen, Clapp & Campbell, 1971）——出价最高者往往出价过高，因为他只在自己「赢了」时才知道自己的估值偏高。Ioannidis（2008）把它搬进流行病学：「为何大多数被发现的真实关联都是被夸大的」。

【极难发现】反直觉的盲点：元分析号称「汇总证据」，但它汇总的是「被显著性筛选过的证据」。如果纳入的研究功效普遍偏低，元分析的点估计会系统性地高于真实效应。漏斗图不对称、Egger 检验显著——我们常把它读成「发表偏倚」，其实它同时是「选择偏倚」的指纹。你以为你在纠正偏差，你只是在给偏差做平均。

【流程节点链路】真实效应 d_true → 抽样得到观测 d̂（围绕 d_true 波动）→ 显著性门槛 p<0.05 筛选 → 只有 d̂ 足够大的样本进入文献 → 文献里的 d̂ 分布 = 右尾截断分布 → 元分析对截断分布取均值 → 发表效应量 E[d̂ | 显著] > d_true。

【隐式】写作层面的后果：只报点估计、不报区间，是把偏差藏起来。区间宽度本身就是功效的体检报告——宽区间 = 低功效 = 高上偏风险。一个诚实的摘要应该写「最小可检测效应」，而不是一个孤零零的 d=0.6。

【待验证点】一个可辩的边界：如果所有研究都预注册、都报告，选择偏差是否消失？答案不是简单的「是」——预注册解决「选择性发表」，但解决不了「选择性抽样」：你仍然只在一个有限样本里看效应。这里留一个钩子。

所以问题来了：如果发表的效应量系统性上偏，我们该不该把「效应量点估计」从论文摘要里删掉，只留区间和「最小可检测效应」？还是说，读者需要的恰恰是一个（哪怕有偏的）锚，好让他们知道「大概有多大」？