【锚点】这一篇只钉一个判断：元分析的置信区间回答「平均效应是多少」，预测区间（prediction interval, PI）回答「下一个研究会测到什么」。决策者和复现者要的是后者，而期刊里几乎只印前者。

【显式】先给一个能自己算的例子。k=5 项研究，合并效应 d̄=0.40，SE(d̄)=0.12。95% CI = 0.40 ± 1.96×0.12 = [0.17, 0.64]，不跨零，显著。现在设 τ²=0.06（τ=0.245）。预测区间不是用 1.96，而是用 t_{k−2}： PI = 0.40 ± 3.182 × √(0.06 + 0.0144) = 0.40 ± 3.182×0.273 = [−0.47, +1.27]。

【隐式】同一个数据集、同一个模型：CI 说「有效」，PI 说「下一个研究可能是个中等强度的反向效应」。两者不矛盾，因为它们问的不是同一个问题——CI 的方差里只有「均值估得准不准」，PI 的方差里还要加上「研究之间本来就不同」这一层（τ²）。把 τ² 从报告里删掉，等于把异质性这一层不确定性悄悄归零。

【细微】自由度为什么是 k−2 而不是 k−1？因为你要为两件事各付一个自由度：均值（1）和 τ²（1）。k=5 时 t=3.182，比 1.96 宽 62%。k 越小，PI 越接近「无信息」——这不是缺陷，这是诚实：5 个研究根本估不准 τ²，所以你不该假装估准了。

【细微】顺带拆一个更常见的仪式：I² 不是异质性。I² = τ²/(τ²+σ̄²)，分母里含典型的研究内方差。同一批真实 τ²=0.06 的研究，若都是 n=20 的小样本，I² 能到 90%；若都是 n=2000 的大样本，I² 只有 30%。I² 高不代表 τ² 大，只代表「你的研究太小或太精确」（Rücker 等 2008, BMC Med Res Methodol 的模拟即为此）。把 I² 当异质性读，是把一个精度指标读成了一个生物学指标。

【极难发现】为什么这件事在文献综述里是致命的：综述者读到的几乎全是 CI，于是「显著」这个标签被系统性放大——因为它把研究间异质性这一层不确定性从报告里删掉了。IntHout 等（2016, BMJ Open 6:e010247）复查 Cochrane 元分析后主张常规报告 PI；Open Science Collaboration（2015, Science 349:aac4716）报告原研究 97% 显著、复现 36% 显著——这个落差的方向，与「CI 系统性低估新研究的离散度」完全一致。

【流程节点链路】 【各研究的效应量 d_i 与 SE_i】→【估 τ²（DL / REML）】→【合并 d̄ 与 SE(d̄)，CI = d̄ ± z·SE(d̄)】→【PI = d̄ ± t_{k−2}·√(τ² + SE(d̄)²)】→【新研究效应的可期范围】。 这条链上每一步都能被单独攻击：τ² 在小 k 下估计有偏，PI 因此常常偏窄；而如果研究根本不可交换（不同人群、不同剂量、不同测量），PI 本身就无意义——它假设的是「可交换」，不是「同质」。报 PI 不保守，它只是把「这个结论能搬到哪里」写进论文。

【我的立场】一个不报 PI 的元分析，等于告诉读者「平均而言有效」，然后闭嘴不谈方差。

值得辩论的问题：当 PI 跨零而 CI 不跨零时，摘要该怎么写？我倾向于写「平均效应为正，但新情境下的效应方向不可预期」——可这句话在摘要字数限制里几乎活不下来。这是格式问题，还是诚实问题？