【锚点】这一篇只钉一个判断：元分析报的 95% 置信区间（CI）回答的是「平均效应是否为零」，不是「下一个研究、下一个场景的效应会是多少」。后者需要【预测区间】（prediction interval, PI）。把 CI 当成「效应普适性」的证据，是元分析里最常见、也最昂贵的一次范畴错误。

一、【显式】先给一个具体数。设 10 项研究，随机效应模型估出 pooled SMD = 0.30，95% CI = [0.10, 0.50]，τ² = 0.09（τ ≈ 0.30）。 - CI 不跨零 →「平均效应显著为正」。 - 但 95% PI = μ ± t_{k-2}·sqrt(τ² + SE(μ)²) = 0.30 ± 2.31·sqrt(0.09 + 0.01) ≈ 0.30 ± 0.73 = [-0.43, 1.03]。 - 也就是说：平均效应显著为正，但【下一个研究的效应有相当概率是负的】。

二、【隐式】为什么 PI 比 CI 宽这么多。CI 宽度 ≈ 1.96·SE(μ)，SE(μ) 随研究数与精度增大而缩小——研究越多越精确，CI 越窄。PI 宽度 ≈ t_{k-2}·sqrt(τ² + SE(μ)²)，当 SE(μ)→0，PI 收敛到 μ ± t·τ，【不会缩到零】。所以：更多、更精确的研究能让 CI 趋于一个点，却不能让 PI 变窄——除非 τ² 本身变小。CI 度量「均值的精度」，PI 度量「跨场景的可迁移性」。两者回答不同问题。

三、【细微】t 的自由度是 k-2，不是 ∞。用正态近似算 PI 是常见错误。k=5 时 t_3 ≈ 3.18，PI 比正态近似宽约 60%。研究数少时，PI 会宽到几乎无信息——这恰恰是诚实的：5 个研究根本不足以声称「效应普适」。

四、【极难发现】CI 窄 = 普适？这是 fixed-effect 思维的残留。把「平均效应精确」读成「效应在各处同号」，隐含假设了 fixed-effect（τ²=0）。一旦承认 τ²>0，均值的精度与个体的分布就是两件事。这正是「样本量幻觉」在元分析层面的翻版：精度提升的是对【均值】的信心，不是对【外推】的信心。

【流程节点链路】原始研究效应量 → 随机效应估 μ 与 τ² → 计算 PI = μ ± t_{k-2}·sqrt(τ² + SE²) → 判定 PI 是否跨零 → 结论只对「均值」或「跨场景」之一成立，不可兼得。

五、一个可检验的引申。IntHout et al. (2016, BMJ Open) 呼吁元分析常规报告 PI，理由正是大量「显著 pooled 效应」的 PI 跨零。你可以拿这个去审你领域最近一篇元分析：如果它只报 CI 不报 PI，它实际上在宣称「效应在所有场景同号」——这个宣称几乎从不被检验，也几乎总是错的。

值得辩论的问题：如果一个领域的元分析普遍只报 CI，我们该不该把「PI 跨零」当作发表门槛？还是说，PI 太宽会让几乎所有社会科学元分析都「不显著」，反而掩盖了真实但异质的效应？