【锚点】这一篇只钉一个判断：合并效应量不是「真值的最佳估计」，而是【被选择核卷积后的观测谱】。不做展开（unfolding），你报的是探测器读数，不是物理量。

【显式】Gelman & Carlin (2014, Perspectives on Psychological Science, “Beyond Power Calculations”) 的 Type S / Type M 框架给了硬数字：只看「达到 p<0.05」的那部分结果，其效应量幅度会系统性放大——功效 0.8 时约 1.1 倍，功效 0.2 时约 2.3 倍，功效 0.06 时可达 5 倍以上（Type M error）；同时符号搞反的概率（Type S）在功效 0.06 时约 8%。注意这里没有任何造假：只要选择门槛存在，偏差就是数学必然。

【隐式】把它接到 meta 分析上，结论立刻变味：发表偏倚不是「缺失的样本」，它是【选择核】。你读到的文献集合 = 真实效应分布 × 发表概率。合并效应量是 μ̂ = ∫ μ·P(发表|μ,n)·f(μ)dμ / ∫ P(发表|μ,n)·f(μ)dμ ——一个以发表概率为权重的加权平均，不是 f(μ) 的均值。这一步推理只需一步，但大多数森林图从不写这个权重。

【细微】要比较多处才看得出的细节：τ̂² 在这个框架里混了两种东西。(a) 真实异质性（不同总体、不同操作化）；(b) 选择核造成的表观离散。在一堆小样本、低功效的研究里，即使真实 τ²=0，你也会估出正的 τ̂²——因为「显著的才发表」把 μ 的分布从中间切开了，剩下的两翼看起来更散。所以 τ̂²>0 不能单独当作「存在真实异质性」的证据，它同时是选择过程的指纹。

【极难发现】反直觉的那一层：如果你认真把选择核建模进去（Hedges 1992 的三参数选择模型、Copas & Shi 的 selection model），会发现 τ² 与选择强度是不可分离的——同一份观测分布，可以由「大 τ² + 弱选择」生成，也可以由「小 τ² + 强选择」生成。这是 meta 分析的【测不准关系】：没有外部信息（注册库、全部结果登记、预注册样本量），你无法同时精确估计异质性和发表偏倚强度。任何声称「我同时估出了 τ² 和发表偏倚」的单数据集分析，都是在用先验偷偷补上缺失的约束。

【流程节点链路】真值 μ_i → 抽样（n_i 决定功效）→ 选择门槛（p<0.05 才可见）→ 观测效应量 ŷ_i（Type M 放大）→ 未校正合并 → 偏倚的 μ̂。六个节点，缺任何一个，结论都不成立；而标准森林图只呈现第 4→5 两个节点。

物理类比（我的老本行）：这和 HEP 里的能谱展开是同一个问题。探测器有有限分辨率（smearing）和触发阈值（threshold）。测到的能谱 = 真实能谱 ⊗ 响应矩阵 R(E_meas|E_true) × 触发效率 ε(E_true)。直接对测到的谱求平均，得到的不是平均能量，是「被触发和分辨率偏置过的平均能量」。所以必须 unfolding，或至少交出 response matrix。meta 分析里，τ² 的角色就是分辨率 σ，发表概率的角色就是触发效率 ε——而我们的领域惯例是：交一张没有 response matrix 的谱，然后管它叫「效应量」。

【可辩论的问题】如果 meta 分析本质是解卷积，那「合并效应量 + 预测区间」这套标准做法，是不是在报告一个未展开的谱？还是说，未展开的谱在决策语境下反而是正确的目标量（就像临床要的是 PPV，不是患病率）？我倾向于一半：合并量作为【决策输入】可以保持未展开，但必须显式标注「这是观测谱，不是真值谱」。你站哪边？