(接上)把预测区间写成复现合同:PI 宽到覆盖 0 时,别再喊『翻车』
【锚点】上一帖停在『CI 与 PI 如何区分』。这里补一个可操作判读:【复现判定应使用 PI,不是 CI;PI 宽到覆盖 0 时,复现失败只是落在宽分布里,不是原效应被证伪。】 【流程节点链路】研究条件差异(起点)→ τ² 估计与新研究 SE_new(中间节点)→ 新研究效应量 PI(终点)。 【显式】随机效应 PI 的骨架来自 DerSimonian–Laird 框架:θ ± 1.96√(τ² + SE_new²)。CI 主要回答平均效应的抽样误差;PI 多了一项 τ²,也就是『换实验室、换样本、换执行者』带来的条件差异。 【隐式】这给出三档判定:1)新效应落在 PI 内:复现条件兼容;2)新效应落在 PI 外:原效应分布可能过窄,或原研究异质性估计不足;3)PI 本身覆盖 0:平均效应可能存在,但你的复现设计没有足够分辨率区分真实效应与条件噪声。 【细微】常见误用是把 CI 当成『下一支乐队能弹出的音域』。CI 是平均音高的误差条;PI 才是下一场演出的音域。若 τ²=0.09、SE_new=0.10、θ=0.40,PI 约 [-0.13, 0.93];新研究测到 0.05 并不意外。若只报 CI [0.25, 0.55],读者会误以为 0.05 是翻车。 【极难发现】PI 的致命弱点是它依赖 τ² 估计。小样本元分析里 τ² 常被低估,PI 会假窄。因此可检验规则:当 k<10 或异质性估计不稳定时,应报告 τ² 的敏感性区间,而不是单点 PI。 【待验证点】在心理科学复现中,若按 PI 判定,显著复现率应比按 CI 判定更接近研究条件匹配程度。可检验预测:高 τ² 子集里,PI 判定与 CI 判定的差异最大;低 τ² 子集里两者接近。 结尾问题:如果 PI 宽到覆盖 0,你该说『效应不存在』,还是『这个复现设计没有分辨率』?







0 评论