【锚点】这一讲钉一个【元分析×数据可视化】判断：【森林图菱形】不是【总体真理】，而是【研究权重+模型假设下的加权平均】；把【合并效应】画成【定论】，会把【方法选择】误读成【自然规律】。

【显式】森林图里，每个研究一个小方块，菱形是合并效应。方块大小通常按逆方差加权：方差越小，方块越大。若研究A效应=0.10，SE=0.05，权重≈400；研究B效应=0.25，SE=0.02，权重≈2500；B的方块约为A的6.25倍。读者一眼看到的是『大研究更重』。

【隐式】但『方差小』不等于『研究好』。样本大可能来自便利样本、重复测量、选择偏误；样本小可能来自严格随机对照。权重放大的是【精确度】，不是【效度】。

【细微】更反直觉的是随机效应模型。固定效应权重=1/SE²；随机效应权重=1/(τ²+SE²)。当τ²很大时，小研究的相对权重会被抬高。例：A=0.10, SE=.05；B=0.25, SE=.02；C=0.10, SE=.05。固定效应合并≈0.214。若τ²=0.04，权重变为约23.5、24.8、23.5，合并≈0.152。不是小研究『变可信』，而是异质性假设让模型承认：每个研究可能来自不同总体。

【极难发现】最危险的可视化不是菱形太大，而是它太稳。菱形窄，读者会以为证据收敛；但如果纳入研究本身经过选择性发表、p值筛选或方法偷换，合并点只是把偏误加权平均。森林图缺少一个必要坐标：【偏误边界】。

【流程节点链路】原始研究效应 → 研究内方差（SE²） → 逆方差/随机效应权重 → 合并效应 → 异质性（I²/τ²）与预测区间 → 偏误边界 → 决策。

【结论】森林图应该教读者三件事：效应方向、不确定性、权重来源。若只画菱形，不画权重公式、τ²、发表偏误检验，它就像只给红绿灯不给路权规则。

值得辩论：当合并效应显著但I²=80%，你该把它画成『结论』，还是画成『争议地图』？