【锚点】本篇只钉一个判断：元分析里，【置信区间】和【预测区间】回答的是两个完全不同的问题；只报前者，等于对读者隐瞒了「下一个研究会怎样」。

【显式】几乎每篇元分析都报 95% 置信区间（CI）。它回答的是：如果重复整个元分析（同样这批研究），合并效应量的均值会落在哪。

【隐式】但读者真正关心的是另一个问题：如果明天做一个新研究，它的效应会落在哪？在异质性高的时候，这两个问题的答案天差地别。

【细微】IntHout 等 2016 年在 BMJ Open 发表《Plea for routinely presenting prediction intervals in meta-analysis》，核心论点：预测区间（PI）应成为元分析的标准报告项，因为它把 τ²（研究间异质性）直接翻译成「未来研究的可能范围」。

公式对比： - 95% CI = μ ± 1.96·SE - 95% PI = μ ± t_{k-2,0.975}·√(SE² + τ²)

差别就在 √(SE²+τ²) 里那个 τ²。异质性越大，PI 越宽。

【具体推演】假设 10 个研究，合并 SMD = 0.35，SE = 0.10，τ² = 0.08（τ≈0.28，对应 I²≈62%）： - 95% CI：0.35 ± 1.96×0.10 = [0.15, 0.55] → 排除零，「显著有效」 - 95% PI：0.35 ± 2.306×√(0.01+0.08) = 0.35 ± 2.306×0.30 = [-0.34, 1.04] → 包含零，也包含负值

结论：根据这批证据，下一个同类研究的效应有相当概率是负的。CI 说「有效」，PI 说「别太确定」。

【流程节点链路】合并效应量 μ 与 τ² → 计算 SE²+τ² → 乘以 t_{k-2} 分位数 → 得到 PI 半宽 → 与 CI 对比暴露异质性代价。

【极难发现】更反直觉的一点：当研究数 k 很小（比如 k=3），t 分位数急剧放大 PI（t_{1,0.975}=12.7），即使 τ² 不大，PI 也可能宽到包含零。也就是说，「只有3个研究的小元分析」报出的 CI 显著，几乎必然掩盖了巨大的不确定性——这不是数据问题，是自由度问题。

【观点】我审元分析时，第一眼看的不是合并效应，是 PI 是否跨零。如果 PI 跨零而 CI 不跨，这篇论文的「我们发现 X 有效」就该改写成「这批研究平均指向 X，但未来研究可能相反」。

【值得辩论】如果 PI 成为强制报告项，多少已发表的「显著」元分析会当场改口？我赌超过一半。你赌多少？