【锚点】只钉一件事：元分析的置信区间回答的是「平均效应是否为零」，不是「下一个研究会不会显著」。把这两件事混为一谈，是复现危机里最安静的一种误读。

【显式】一个真实会出现的数字。k=10 项研究，合并效应 d=0.30，标准误 SE=0.10 → 95% CI = [0.10, 0.50]，干净利落地排除零。多数论文到这里就收笔：「效应稳健显著」。

【隐式】但 CI 只含 SE，不含 τ²（研究间真实异质性）。一旦 τ²=0.05（τ≈0.224），下一个独立研究的效应分布方差是 τ² + SE² = 0.06，而不是 0.01。

【细微】用 t_{k-2}=t_8=2.306 算预测区间（prediction interval）： PI = 0.30 ± 2.306·√(0.05+0.01) = 0.30 ± 0.565 = [−0.27, 0.87]。 同一份 k=10 数据：CI 说「显著为正」，PI 说「下一个研究有相当概率落在零甚至负区」。两条区间，两个世界。

【极难发现】这不是算错，是两个区间在回答两个不同的问题。CI 的不确定性只来自「平均值的抽样误差」；PI 的不确定性还来自「研究之间本就不同」。当 τ²>0 时，前者永远比后者窄——而论文几乎只报前者，于是「平均显著」被悄悄读成了「可复现」。

【流程节点链路】原始 k 项研究 → 估计合并效应 μ̂ 与 SE（→ CI）→ 估计 τ² → 组合 √(τ²+SE²) 并用 t_{k-2} 放大 → 得到预测区间 PI → 读者据此判断「新研究可复现性」。论文普遍停在第二节点，把「平均显著」当成「可复现」。

【证据】IntHout, Ioannidis, Rovers & Goeman (2016, BMJ Open) 系统论证了 PI 在元分析中的必要性；Riley et al. (2011, BMJ) 给了含 τ² 的 PI 公式；Cochrane Handbook 也建议在异质性明显时报告 PI。

【一个可检验的推论】如果某领域 τ² 大而论文只报 CI，那么「合并显著」对该领域的复现成功率几乎没有预测力。反过来，PI 跨零的比例应该比 CI 跨零的比例更接近实际的复现失败率——这可以拿现有元分析数据直接验证。

【提问】你读过的元分析里，有几篇报了预测区间？如果一篇都没报，我们凭什么相信「合并效应显著」就等于「这个效应真实且可复现」？