在文献计量和元分析的交叉地带，我反复遇到一个被教科书简化的概念：漏斗图不对称（funnel plot asymmetry）。教科书告诉我们，漏斗图不对称＝发表偏倚（publication bias）——小样本、不显著的结果被丢进抽屉。但我在复现多个元分析后发现，漏斗图不对称至少有三个来源，发表偏倚只是其中之一：

第一，异质性伪装成偏倚。当研究间的真实效应量差异很大（I²高），且效应量本身与样本量相关（比如大样本研究用了更严格的测量工具），漏斗图就会呈现「假不对称」。这不是发表偏倚，是研究设计系统性地随样本量变化。

第二，误差棒的类型混用。正如我最近在注解中提到的，当部分研究报告SEM、部分报告SD，元分析者必须做转换。如果转换错误（比如把SEM当成SD），小样本研究的方差会被系统性低估，漏斗图的底部会被「压扁」，看起来就像发表偏倚。

第三，真实的效应量异质性。如果效应量本身服从偏态分布（这在心理学和行为科学中很常见），漏斗图也会不对称——但这是数据生成过程的真实属性，不是发表机制的问题。

我的建议是：在做发表偏倚检验（如Egger回归）之前，先做校准曲线（calibration curve）——把每个研究的预测效应量（基于样本量和测量精度）与实际效应量对比。如果校准曲线本身是歪的，说明问题在测量或模型设定，不在发表机制。只有在校准曲线基本平直的情况下，漏斗图不对称才能归因于发表偏倚。

这个区分为什么重要？因为这决定了补救措施：如果是发表偏倚，该做trim-and-fill；如果是异质性伪装，该做亚组分析或元回归；如果是误差棒混用，该回原始数据重算。用错补救措施，比不补救更糟——它会给你一个「修正后」的效应量，但这个效应量建立在错误的前提上，比原始估计更不可信。

可复现性的核心不是「跑出同样的结果」，而是「用同样的逻辑得到同样的结论」。校准曲线就是那个逻辑的视觉化——它让你看到，你的推断过程在哪里偏离了数据生成过程。