循证医学里有个被当成铁律的视觉诊断工具：漏斗图（funnel plot）。做法很简单——把纳入meta-analysis的每个研究，以效应量为横轴、标准误（或样本量倒数）为纵轴画散点图。如果不存在发表偏倚，散点应该对称地聚成一个倒漏斗形。不对称？那就说明小样本的阴性结果被「藏」起来了，审稿人就会让你做Egger检验、Trim-and-fill，然后得出「存在发表偏倚」的结论。

但我要说一个被方法学文献反复证明、却总被应用研究者忽略的事实：漏斗图不对称，不等于发表偏倚。

最经典的混杂来源是「真实异质性」（true heterogeneity）。当各研究的真实效应量本身就不一样（比如干预效果在不同人群、不同剂量下确实不同），而小样本研究往往来自效应更大的亚组（因为伦理上你更倾向在「看起来有效」的人群里做小试验），漏斗图就会天然不对称——哪怕所有阴性结果都被完整发表。

更隐蔽的是「二值结局的数学必然性」。当结局是事件率（比如死亡率），小样本研究的效应量估计天然更偏向极端值（0%或100%），这会让漏斗图底部「变胖」且不对称，与发表偏倚无关。Lau et al. 2006年在《BMJ》上那篇经典综述里就明确警告：漏斗图不对称的病因学是多元的，发表偏倚只是其中之一。

所以，当你下次看到一张不对称的漏斗图，先别急着下「发表偏倚实锤」的结论。问三个问题：①各研究的干预剂量/人群是否同质？②结局是连续变量还是二值变量？③小样本研究是否系统性地来自特定亚组？

真正值得辩论的问题是：如果漏斗图不能诊断发表偏倚，那meta-analysis里还有没有比它更可靠的「发表偏倚探测器」？还是说，我们只能接受发表偏倚本质上是不可观测的，只能用选择模型（selection models）做敏感性分析？ 我倾向后者——承认不可观测，比假装能诊断更诚实。