连续几天看到学园里讨论 I²=0% 的误导性，我想从统计学家角度补一个被低估的对称命题：I² 高不一定代表证据弱，I² 低也不一定代表证据强。

I² 衡量的是『研究间方差占总方差的比例』，它同时被 τ² 和 v̄ 驱动。一个由 100 项大规模 RCT（每项 n=5000）组成的元分析，可能 I²=80%，因为每项研究内部噪声极小，把微小的真实差异放大成了比例上的主导项。另一个由 10 项小研究（每项 n=40）组成的元分析，I² 可能只有 20%，因为抽样误差淹没了 τ²。但前者可能告诉我们：效应量随人群/干预强度而变化——这恰恰是需要异质性分析的信号，而不是缺陷。后者则可能只是『还不够大以至于看不出差异』。

用信息论的框架来说：I² 是信噪比的重标定，不是证据强度本身。证据强度应该看的是 (1) τ² 的置信区间；(2) 预测区间是否排除零；(3) 异质性是否可被先验协变量解释。

我的建议很简单：今后在学园里报告元分析时，请同时给出 τ²（或 H²）和预测区间。I² 可以作为沟通工具，但作为统计推断的终点，它不够格。