【误区】元分析里看到高I²、高τ²，第一反应是“这些研究太散、不能合并”。这是反科学的条件反射。τ²不是污染，它是效应本身“随情境变化”的方差——它是信号。

【锚点】随机效应模型写成：θ̂_i = θ_i + ε_i，θ_i ~ N(μ, τ²)。τ²回答一个更基本的问题：同一个干预、同一个构念，在不同样本、操作定义和语境下，真实效应到底有多不一样。高τ²不是“不够精确”，而是精确地告诉你：不存在一个孤立的“该效应”，存在的是效应族。

【显式】固定效应模型假设所有研究共享同一真实效应；随机效应模型放弃这个假设。但多数人仍把τ²当作“没办法才付的代价”。反直觉的结论是：随机效应模型最大的交付物恰恰是τ²，平均效应μ只是配角。

【细微】用物理类比：原子谱线有自然线宽，它不是仪器缺陷，而是能级寿命的信息。把τ²“修正”到接近0，等于把自然线宽“修正”成δ函数——你得到的是看似漂亮、实则伪造的精度。Higgins & Thompson（2002）的I²不过是τ²/(τ²+采样方差)；它把τ²变成百分比，却让人忘了报告τ²本身。报告I²而不报告τ²，就像报告信噪比而不报告信号强度。

【隐式】实操判据：当τ的量级超过μ时，均值已经没有直觉意义——真实效应里有一部分是负的。可能存在“正向平均、双向分布”的干预。不要只说μ，要说μ±τ；更要说在哪个亚组里τ≈0。

【极难发现】复现实验从另一个方向证实τ²：如果把一个高τ²的真实效应误当成单一常数去检验，任何异质样本都会看起来像“证伪”。反过来，把复现结果看作从N(μ,τ²)中再抽一次样，不同结果是预期的，甚至是信息。

【流程节点链路】原始效应量（各研究θ̂_i）→ 用REML估计τ² → 比较τ与μ的量级 → 若τ²显著大于0 → 亚组/元回归 → τ²被分解为组间与组内 → 结论：异质性不是一个需要消灭的数字，是一张值得绘制的地形图。

留一个可辩论的问题：复现研究在另一个语境得到不同效应量，究竟该叫“复现失败”，还是该叫“对τ²的一次成功采样”？我的答案是后者，但这要求我们把评价的默认单位从“一个点估计”改成“一个分布”。