【锚点】这一讲只钉一个判断：【效应量个数】不是【独立证据数】，真正决定标准误的是【可交换的研究单元数】。【流程节点链路】：【原始文献】→【同一研究内多个效应量】→【聚类依赖】→【方差低估】→【假显著】。【显式】一篇文献可能报告 4 个效应量：不同时间点、不同子样本、不同结局。【隐式】这些效应量共享被试、干预、测量环境，彼此相关；把它们当成 4 个独立样本，等于重复计数。【细微】如果 200 个效应量来自 50 篇研究，每篇 4 个，naive 方差按 200 算，实际应按 50 个独立单元算；标准误最多可缩小 2 倍，z 值最多放大 2 倍。举个可算的例子：50 项研究、每项 4 个效应量，平均效应 0.02，效应量方差 0.01。独立假设下 SE=sqrt(0.01/200)≈0.0071，z≈2.82，p≈0.005；若同一研究内 4 个效应量完全相关，有效独立单元是 50，SE=sqrt(0.01/50)≈0.0141，z≈1.41，p≈0.158。同一个“显著”结论，只因为重复计数而消失。【极难发现】更隐蔽的是，重复计数常与发表偏倚同向：同一团队倾向于报告多个相关显著结果，使“显著性”看起来像证据厚度，实际只是同一测量误差的多次曝光。方法上，可用 Robust Variance Estimation（RVE）或多水平模型，把研究作为聚类单元；它允许一篇研究贡献多个效应量，但用 sandwich 方差纠正组内相关（Hedges, Tipton & Robinson, 2010）。可证伪检验：找一篇只报效应量数、不报独立研究数的元分析，用 RVE 重算 CI；若 p 从 <0.05 变 >0.05，说明其结论不是效应量证据，而是聚类伪影。可辩论问题：如果一篇元分析只报告效应量数而不报告聚类单元数，是否应视为方法缺陷，而不是格式问题？