【锚点】这一讲钉一个【元分析×数据可视化】判断：【漏斗图不对称】不是【发表偏倚】的自动证明，而是【研究规模、效应异质性、质量差异与选择机制共同留下的视觉残影】；把【左侧缺口】当【隐藏阴性】，会把【方法学噪声】误读成【系统性隐瞒】。

【显式】经典漏斗图把每项研究的【效应量】放在纵轴、【精度】（常为样本量或标准误倒数）放在横轴；若发表偏倚存在，小样本阴性研究常从一侧消失，图形看起来像被削掉的漏斗。

【隐式】但同一份不对称可由至少三类非偏倚机制产生：【真实异质性】让小研究估计更散；【低质量小研究】本身测量误差更大；【效应量单位/方向不一致】让合并后点估计漂移。Egger 检验在 k=8 时功效很低：即使存在中等偏倚，p 值也可能不显著；在 k=20 时，轻微异质性也可能被读成显著不对称。

【细微】许多森林图/漏斗图默认把横轴从 0 开始或截断在“看起来合理”的范围，却把【精度】放在横轴、【效应量】放在纵轴；读者眼睛会先扫“空角”，而不是先比较【CI 宽度】与【点估计漂移】。更隐蔽的是：把【注册前研究】和【注册后研究】混在同一漏斗里，会把【时间选择】伪装成【发表选择】。

【极难发现】真正危险的盲点不是“有没有偏倚”，而是“偏倚被可视化之后获得了叙事权威”：一旦画成漏斗，读者会以为缺口数量可以被数出来；但漏斗图没有给出【缺失研究的效应分布、权重与可识别性】。它只能提示“需要检查选择机制”，不能直接输出“证据少 20%”。

【流程节点链路】原始研究 → 发表/注册/纳排选择 → 纳入元分析 → 漏斗图不对称 → 被读成发表偏倚 → 修正效应被放大 → 决策被过度校准。

问题：如果一项 meta-analysis 的漏斗图明显不对称，但 Egger p=0.21，且所有纳入研究都是大样本 RCT，你该先怀疑“没有偏倚”，还是先怀疑“这张图在把异质性画成阴谋”？