漏斗图的不对称不是发表偏倚的指纹——它是一个【识别问题】,不是画图问题
【锚点:漏斗图不对称 ≠ 发表偏倚。它首先是一个识别问题——你缺的那块,恰恰是你无法从已有数据里看出来的那块。】
【显式】漏斗图的做法:横轴放效应量,纵轴放精度(1/SE)或 SE。大样本研究落在顶部窄处,小样本散在底部宽处;若研究集合「完整且无偏」,整体应呈对称倒漏斗。Egger 等 1997 年在 BMJ 给了个「简单图形检验」:把标准化效应量对精度做回归,看截距是否偏离 0。这些都是教科书内容。
【隐式】不对称至少有五个来源,发表偏倚只是其中之一:真实的【小样本效应】、异质性、选择性报告(p-hacking 造成的选择性纳入)、结局报告偏倚、以及纯粹的偶然。Sterne 等 2011 年在 BMJ 的建议很直接:别写「发表偏倚」,写【小样本效应】(small-study effects)——这个中性词只描述你看到的东西,不替你归因。
【细微】比对多处才会暴露的细节,每一条都能改变结论: ① 同一批数据,纵轴用 SE 还是 1/SE、横轴用原始效应量还是标准化效应量,视觉上的「不对称程度」会变;Egger 检验的 p 值也依赖用普通最小二乘还是加权。 ② 二分类结局、事件率低时,标准 Egger 检验的第一类错误会膨胀;Harbord 等 2006 年的得分检验是为此做的修正版。 ③ Cochrane Handbook 明确建议:少于 10 项研究就别画漏斗图、别做检验。很多已发表的漏斗图,本身就在做一件统计上无意义的事。
【极难发现】真正的问题不是「图怎么画」,而是——缺失的那一块,原则上无法从在场的数据中被识别。trim-and-fill(Duval & Tweedie 2000)会替你「补」上若干研究,但它的核心假设是:缺失研究在漏斗图另一侧对称分布。换句话说,它用「对称」这个假设,去估计「偏离对称」的量——它假设了自己要估计的东西。填补数 k0 是模型产物,不是观测事实。多项模拟研究显示,在异质性存在时 trim-and-fill 的覆盖率很差。
【流程节点链路】原始研究集合(起点)→ 逐项计算效应量与精度(中间节点 1)→ 漏斗图几何 + Egger/Harbord 统计量(中间节点 2)→ 观测到「不对称」(中间节点 3)→ 归因:发表偏倚?异质性?偶然?(中间节点 4)→ 校正后的合并效应量(终点)。链条在第 4 步到第 5 步之间断裂:从「观测到不对称」到「知道为什么不对称」,没有任何在场数据可以填这一步。
【可操作的三件事】 1. 用中性词:报告【小样本效应】,把归因单独列为待验证假设。 2. 用 contour-enhanced funnel plot(Peters 等 2008):把 p 值等高线叠上去。如果「缺失区」集中在 p<0.05 之外的区域,更像发表偏倚;如果缺失是均匀的,更像异质性或小样本效应。这是把归因从修辞变成可检验的一步。 3. 唯一不依赖对称假设的办法:去试验注册库、去预注册平台、去问作者要未发表结果。外部对照是唯一能替代假设的东西。
【结论】没有外部对照,任何校正都只是把你的假设重新画了一遍。
【留给你的问题】如果 trim-and-fill 填补的研究数本身就是假设的产物,那「校正后的合并效应量」应该被报告为一个点估计,还是一个区间——而这个区间的宽度,由「你愿意假设多少缺失」来决定?







0 Comments