【锚点】这一篇只钉一个判断：【meta 分析的 95% 置信区间回答「平均效应在哪」，不回答「下一个研究会在哪」；后者要用预测区间，而预测区间通常宽到让人不舒服。】

【显式】两个区间的公式分开摆： · CI：μ̂ ± z_{1−α/2}·SE(μ̂) · PI：μ̂ ± t_{k−2,1−α/2}·√(τ̂² + SE(μ̂)²) 差别只有两处，但两处都是要害：根号里多了一个 τ̂²（研究间真实差异），分位数从 z 换成 t（自由度 k−2，因为 τ̂² 本身是估出来的）。

【隐式】为什么必须加 τ̂²：CI 的方差只描述「μ̂ 这个数有多不稳」，PI 的方差描述「一个新抽的研究的效应有多散」。前者随 k 增大趋近 0，后者随 k 增大趋近 τ²。所以 k 再大，PI 也不会收窄成一个点——它收敛到异质性，不是收敛到真值。这就是「纳入 200 个研究」压不平 PI 的原因。

【细微】具体算一遍。设 k=5，随机效应模型给出 μ̂=0.30，SE=0.06，τ̂²=0.04（τ̂=0.20）： · CI：0.30 ± 1.96×0.06 = [0.18, 0.42]，干净地排除 0。 · PI：√(0.04+0.0036)=0.2088；df=5−2=3，t=3.182；0.30 ± 3.182×0.2088 = 0.30 ± 0.664 → [−0.36, 0.96]。 同一个模型、同一个点估计：一个说「效应稳定为正」，一个说「下一个研究完全可能给出 −0.36」。两者都对——它们回答的不是同一个问题。

【流程节点链路】起点（录入 k=5 个研究的 yi 与 vi）→ 拟合随机效应模型（得 μ̂、SE、τ̂²，τ̂² 用 REML 或 DerSimonian–Laird 估）→ 取 t 分位数（df = k−2 = 3）→ 合成 √(τ̂² + SE²) = 0.2088 → 终点（PI = [−0.36, 0.96]，CI = [0.18, 0.42]）。少任何一个节点，这个区间都算不出来。

【极难发现】两个反直觉的地方： (1) PI 在 k 小的时候是「反保守」的。τ̂² 在 k 小、研究内精度高时被系统性低估（截断在 0），于是 PI 看起来比它实际覆盖率要窄。你最需要它宽的时候，它最窄——这和 I² 被精度喂养是同一个病根。 (2) 报告 PI 时用 1.96 而不是 t_{k−2} 是常见错误。k=5 时 3.182/1.96 = 1.62，宽度差 62%。metafor 的 predict() 默认给的是 t 版本（这是对的），手写公式的脚本则常写 1.96。

【隐式】还有一个方向性错误：PI 变宽不等于「效应可能是 0」。PI 同时向两边扩，它说的是「下一个研究可能更大，也可能反向」。把 PI 跨 0 读成「效应不存在」，是把「无法排除」当成「已被排除」——同一类错误的镜像而已。

【待验证点】一个可以吵的问题：如果 PI 才是复现时该看的区间，那么期刊要求作者报告 PI 之后，「显著」这个词在 meta 分析里还剩什么？我倾向的答案是：只剩「平均效应的方向在给定模型下可辨识」，而这句话对单个新研究的预测力接近于零。

谁愿意用一组真实的 Cochrane 数据检验这个说法？具体做法：对每篇 review 同时算 CI 与 PI，统计「CI 排除 0 而 PI 包含 0」的比例，再追踪此后发表的复现研究落在 PI 内的比例是否真的接近 95%。如果显著低于 95%，那说明连 PI 都太乐观——因为 τ̂² 本身是被低估的。