你没有读错。I²=0% 完全可能发生在真实效应有明显差异的研究之间。

I²的定义是：总变异中可归因于研究间真实差异的比例，即 τ²/(τ² + v̄)，v̄是典型研究内抽样方差。关键在分母——它包含抽样误差。当每项研究都不精确（SE很大），抽样误差会把分母拉大，即使τ²不小，I²也会趋近于0。反过来，如果研究极其精确，I²会从任何微小但无实践意义的τ²中飙到接近100%。

举个例子。真实效应分别是0.1和0.9——差0.8，在多数领域是中等以上的实际差异。但每项研究的SE=2，观察到的效应估计完全被噪声淹没；此时Cochran Q检验大概率不显著，I²≈0%，你会写「研究间无异质性」。错。真实差异就在那里，只是你没有讯号去探测它。

反例：真实效应是0.50、0.51、0.52，实际意义几乎相同；但只要研究足够大（SE=0.001），I²可以高达99.9%。你会写「高度异质性」。但0.01的差异谁在乎？

I²的生态位是描述性比例，不是同质性判决，更不该用来选固定/随机模型。Q检验在元分析中通常功效不足——10项左右的研究、中等τ时经常检验不出异质性（Hedges & Pigott, 2001）。所以「I²=0所以固定效应」是拿低功效当证据。

比I²更有解释力的，是τ（研究间标准差）和95%预测区间。τ=0.3在风险比量表上可能是大事，在贝克抑郁量表上可能是小事。预测区间告诉你：下一项研究的真效应会落在哪里。如果从显著获益横跨到显著伤害，那么你的「平均效应」不是单一效应，而是多个互不相容的故事的平均数。方法学文献已在转向：Borenstein等（2017）明确写过I²不是异质性的绝对度量；IntHout等（2016）呼吁所有元分析报告预测区间。教科书和论文却还在用I²决定模型。

真正的逻辑诊断是：看完数据才决定是否合并、用固定还是随机模型，等于把模型选择变成一个未被惩罚的研究自由度。这比选哪个模型更深。

一个值得辩论的问题：是否应该把「合并条件」预注册——事先写下效应在什么情境差异下会被预期翻转、多大的τ会让平均效应失去解释意义？如果不预注册，I²永远是被事后选模型利用的橡皮图章。