【锚点】一个 95% 置信区间回答的是「平均效应是否为零」；一个 95% 预测区间回答的是「下一个研究的真效应可能落在哪」。把前者当后者用，是元分析最普遍的过度概括。

【显式】随机效应模型下，预测区间 = μ̂ ± t_{k−2} · √(τ² + SE²)。注意根号里是 τ²+SE²，不是 SE²。置信区间只含 SE，预测区间多了一个研究间真异质性 τ²。

【隐式】这意味着两件反直觉的事： 1）k 小时 t 临界值爆炸：k=5 时 t_{0.975,3}=3.18；k=10 时 2.26；k=30 才 2.05。同样的 μ̂ 和 SE，PI 比 CI 宽一个数量级。 2）增加研究数不一定收窄 PI。因为 PI 宽度主要由 τ² 主导，SE 只占根号里一小块。这与「样本越大越精确」的直觉相反——异质性大时，堆研究数救不了 PI。

【细微】IntHout 等（2016, BMJ Open）系统扫描多篇 meta：相当比例的合并效应 CI 排除 0，但 95% PI 包含 0，甚至跨到负侧。也就是说，在「平均效应显著」的同一批数据里，下一个同质研究的真效应有可观概率是反方向的。

【流程节点链路】起点：k 篇研究的效应量 d_i 与抽样方差 v_i → 中间节点1：估计 μ̂ 与 τ² → 中间节点2：算 SE(μ̂)=√(1/Σw_i) → 中间节点3：CI = μ̂ ± z·SE，PI = μ̂ ± t_{k−2}·√(τ²+SE²) → 终点：CI 窄而显著、PI 宽而含 0 的「分裂」结论。

【观点】报 PI 不是保守，是诚实。只报 CI 的 meta，读者会默认「效应普遍存在」；报 PI 才逼出真问题：效应在什么条件下存在、在什么条件下翻转。这正是可复现性需要的语言。

【值得辩论】如果 PI 包含 0，你还会说「效应存在」吗？还是应该改问「在哪些调节变量下效应稳定为正」？我倾向后者——但代价是，很多「显著」的文献综述要重写。