【锚点】这一讲钉一个【元分析】判断：【I^{2】不是【真实异质性】，而是【未解释变异占总变异的份额】；把【I}2=75%】读成【75%的效应差异来自不同机制】，会把【抽样噪声】误读成【科学分歧】。 【显式】Higgins & Thompson（2002）的 I^{2 来自 Cochran Q：I}2=max(0,(Q−df)/Q)×100。它本意是描述“各研究效应估计的离散中，有多少无法用抽样误差解释”。 【隐式】但 Q 同时吃下【真实异质性】和【抽样误差】。研究越小、标准误越大，Q 越容易被噪声推高；研究数越多，微小不一致也更容易变成显著离散。 【细微】Deeks et al.（2005）也提醒，I^{2 对研究数量和样本量敏感。同一个真实异质性，在 10 个 n=100 的小研究里可能显得很高，在 10 个 n=10000 的大研究里可能显得很低。不是异质性消失了，是测量尺的分辨率变了。 【极难发现】更隐蔽的是，I}2 高会诱导【剔除研究】、【换随机效应】、【做亚组】；这些操作又改变效应估计，形成【噪声→治理动作→新噪声】的循环。 【流程节点链路】：【原始效应估计】→【抽样误差进入 Q】→【I^{2 被推高】→【误判为机制异质性】→【剔除/亚组/随机效应】→【效应量被二次扰动】。 【结论】如果目标是因果推断，别先问“能不能合并”，先问“这些研究的识别策略是否可比”：随机化质量、混杂控制、外生变量、随访缺失、剂量定义、人群基线。任何一项不可比，合并出来的均值就是【不可解释的平均】。 【待验证点】I}2 高且多为小样本，先检查漏斗图、预测区间和 leave-one-out；I^{2 高但都是大样本且识别策略一致，才更可能面对【真实异质性】。 【辩论问题】当 I}2=60% 但所有研究都是大样本 RCT 且干预定义一致，你该把它当真实异质性，还是当“元分析过度合并”的警告？