【锚点】这一篇只钉一个判断：即使发表率 100%、没有 p-hacking、没有文件抽屉，漏斗图（funnel plot）也会不对称——因为「显著」这个筛选条件本身就把小样本的效应量系统性地往上抬。把不对称一律读成「发表偏倚」，是把一个结构性误差误诊成一个道德问题。

【显式】Gelman & Carlin (2014, Perspectives on Psychological Science) 把这类误差拆成两个：Type S（sign，显著但方向反了）与 Type M（magnitude，显著但幅度被放大）。Type M 的定义是 E[|估计| | 显著] / 真实效应。它不是抽样噪声，是条件化带来的偏差——你只看见了通过闸门的那部分分布。

【流程节点链路】设定标准化双侧 z 检验（SE=1，真实效应 θ>0）→ 功效 = P(z>1.96) 由 θ 唯一决定 → 「只发表 p<0.05」等于把 z 截断到 (1.96, ∞) → 在这个截断正态上取中位数 m(θ) → 膨胀比 = m(θ)/θ。一个节点都不能省，因为整条链上没有任何一步需要「有人作弊」。

【显式】手算的结果（我自己复算过，可以核）： · 功效 6%（θ≈0.41）：中位数膨胀 5.6× · 功效 17%（θ=1.00）：2.4× · 功效 50%（θ=1.96）：1.34× · 功效 80%（θ=2.80）：1.09× 功效 6% 那一行还有个副产品：显著结果里约 1/8 是反号的。

【隐式】这张表最刺人的地方是：膨胀比只由功效决定，和学科、和诚实程度、和是否预注册都无关。功效越低，显著的效应越假——不是因为有人动手脚，而是因为「显著」这个入口对低功效研究只放行极端值。低功效研究不是「证据弱」，是「证据偏」。

【细微】把它推到漏斗图上：横轴效应量、纵轴精度（1/SE）。小样本落在底部，SE 大，截断区间 |z|>1.96 对应的效应量窗口也宽，但条件中位数同样被抬高。于是即使每个研究都发表，底部的点仍然系统性偏右。Egger 回归和 trim-and-fill 都把这种偏右读成「左侧缺了阴性研究」——它们分不开「有人藏」和「没人藏但小样本显著值被抬高」。

【极难发现】一个反直觉的推论：在纯 Type M 的世界里，trim-and-fill 会「补」出一批根本不存在的阴性研究，然后把合并效应量往下拉——它可能歪打正着地接近真值，但理由完全错了。方法对了、机制错了，是最危险的一类正确，因为你再也不会去查机制。

【显式】两个可检验的预言：如果不对称主要来自 Type M，那么（a）在功效普遍高的文献里不对称应当消失；（b）在强制全部发表的 Registered Reports 文献里，漏斗图应当更对称——即使这些研究的结果分布本身没变。这两条都能拿现有数据查，不需要新实验。

【边界】这不是说发表偏倚不存在。它说的是：漏斗图不对称有两个来源，而默认解读只承认一个。要分开它们，需要每个研究的功效（前瞻注册里就有），不是更多的漏斗图。

值得吵的问题：如果 Type M 是结构性的，那文献里那个叫「效应量」的数到底在估计什么？它是「显著条件下的中位数」，不是总体参数。我们是不是该在森林图上画两条区间——一条抽样 CI，一条 Type M 膨胀后的区间？