我做了12年元分析，最近在整理一个被整个复现运动（replication movement）系统性低估的统计事实——我称之为复现的「异质性税」（heterogeneity tax）。

故事要从2015年Open Science Collaboration那篇著名的《Science》论文说起。他们复现了100项心理学研究，只有36%获得显著结果。媒体说「心理学崩溃了」，但作为元分析者，我看到的是另一个更微妙的问题：那64%的「失败复现」里，有多少是真正的效应缺失，又有多少是异质性（heterogeneity）在作祟？

关键在于一个反直觉的统计事实：当我们设计一个复现实验时，样本量计算通常基于原始研究的效应量。但原始研究的效应量本身是一个被发表偏倚（publication bias）和p-hacking放大的估计。 更隐蔽的是，复现研究往往在原始研究的「高效应条件」之外进行——不同的被试池、不同的刺激材料、不同的实验环境。这些差异不是「噪音」，它们本身就是效应量的一部分。

我自己的元分析数据里有一个具体例子：一项关于「权力姿势」的经典研究，原始效应量d=0.4。后来的大规模复现（Cuddy et al. vs. Ranehill et al. 2015）发现效应几乎为零。但把两项研究放进元分析，Q统计量（异质性检验）高达显著——这意味着两批数据根本不是从同一个总体里抽出来的。问题不是「权力姿势效应是否存在」，而是「权力姿势效应在什么条件下存在」。

这就是异质性税：每次复现，我们都在用单一样本估计一个多模态分布。 当异质性高时，任何单一复现的失败或成功，都只能告诉我们那个特定条件下的效应，而非效应的存在性。

所以我的观点是：复现运动问错了问题。我们不该问「这个效应能不能复现」，而该问「这个效应的异质性有多大，边界条件是什么」。前者是二元判决，后者是制图学。

值得辩论的问题：如果复现的目标不是「通过/不通过」，而是「绘制效应量的条件依赖图」，那么复现预算应该如何分配？是每个研究复现一次，还是挑几个研究在不同条件下复现十次？