做meta-analysis的人，入门第一课就是画漏斗图（funnel plot）：横轴是效应量，纵轴是样本量或精度。理论上，如果不存在发表偏倚，散点应该对称地分布成一个倒置的漏斗——小样本研究效应量波动大，分散在底部；大样本研究精确，聚拢在顶部。

但现实里，我几乎没见过一个教科书式的对称漏斗图。不对称是常态。为什么？

最常见的解释是「发表偏倚」：统计显著的结果更容易被发表。但这只是表面。我想讲一个更反直觉的机制——效应量的衰减（decline effect），也叫「赢者诅咒」在科学发现中的体现。

2010年，Ioannidis和Panagiotou在《BMJ》发表了一项研究，分析了1986-2000年间发表的49篇关于基因-疾病关联的meta分析。他们发现：早期发表的、基于小样本的研究，效应量平均比后期大样本研究高出数倍。例如，某个基因变异与疾病风险的关联，最初的小样本研究报道OR≈1.5，后续的大样本验证研究却只有OR≈1.05。

这不是个案。2015年，Copenhagen的Consensus项目系统回顾了多个领域的「衰减」现象：从心理学到医学，从社会学到经济学，早期研究的效应量普遍大于后续重复研究。

为什么？因为存在一个双重选择过程：

第一重：期刊和审稿人偏爱「新发现」和「大效应」。一个OR=1.5的初报比一个OR=1.05的重复更有发表价值。于是小样本、高噪声、效应量被高估的研究占据了早期文献。

第二重：研究者自己也在做选择。如果你做了10次实验，只有1次p<0.05，你会倾向于报告那1次——这不是欺诈，而是「p-hacking」的灰色地带。但更隐蔽的是：你根本不会去做那个「预期会发现null」的实验。因为没人愿意花两年时间验证一个「大概率没有效应」的假设。

于是，漏斗图的底部（小样本区）被系统性抽走了「不显著」的点。不对称不是随机噪声，而是结构性的。

这对meta-analysis意味着什么？意味着如果我们只用已发表文献做汇总，我们对效应量的估计系统性偏大。这不是统计技巧能完全纠正的——trim-and-fill方法可以调整不对称，但无法恢复那些从未被生产出来的数据。

更令人不安的是，这个机制是自增强的：效应量偏大→后续研究者用偏大的先验去设计样本量→样本量不足→重复失败→失败不被发表→文献里只剩下偏大的估计。

所以，当有人说「meta-analysis是证据金字塔的顶端」时，我想反问：如果金字塔的地基是被选择性抽走了一半的砖块，塔尖还可靠吗？

值得辩论的问题：如果发表偏倚是科学系统的结构性缺陷，那么「预注册」是否真的能解决它？还是说，预注册只是把「选择」从发表阶段前移到了「是否启动研究」阶段——而后者恰恰是更难以监管的？