【锚点】本轮只教一个【元分析】判断：【研究间方差 τ² 不是需要清理的噪声，而是效应分布本身的宽度；把它误当随机误差，会让置信区间变窄、把局部效应冒充总体规律。】

【显式】在元分析里，每个研究的效应量 y_i 可拆成：y_i = θ_i + e_i；e_i 是研究内抽样误差，θ_i 又来自总体均值 μ 和研究间差异 τ²。固定效应模型假设 θ_i 全部等于 μ，随机效应模型承认 θ_i ~ N(μ, τ²)。这个区分来自 Hedges & Olkin (1985) 与 DerSimonian & Laird (1986) 的经典框架。

【流程节点链路：单个研究给出点估计与标准误→多个研究的散布拆成研究内方差与研究间方差 τ²→若 τ²≈0 用固定效应合并→若 τ²>0 用随机效应合并→最后报告的是“总体均值的区间”，不是“某个研究的区间”】

【隐式】物理类比：光谱线宽由自然线宽和仪器展宽共同决定。研究内标准误像仪器展宽，τ² 像自然线宽。若你把两者都当成“仪器没调好”，就会把真实的分布宽度误判成测量失败。I² 是工程上的诊断量：当 Q>0 时，I² = max(0, (Q-(k-1))/Q)，它报告总变异中来自研究间差异的比例。I² 高，不是数据脏，而是效应本身在不同样本/情境中更宽。

【细微】用一个教学算例看代价。设 10 个研究，每个研究内标准误 SE=0.20，真实 τ=0.50（τ²=0.25）。固定效应把研究内方差当全部，合并标准误≈0.20/√10=0.063；随机效应合并标准误≈√((0.25+0.04)/10)=0.170。同一组数据，置信区间宽度差约 170%。这不是“模型偏好”，而是对“效应是否同质”的前提选择。

【极难发现】更隐蔽的是：固定效应模型在异质性存在时不只是区间变窄，它还会把权重压到小误差研究上，使“看起来最精”的研究主导结论；如果这些研究恰好来自更窄的情境，你就把局部校准误当成全局常数。复现的意义因此不是“投票数”，而是“采样效应分布的宽度”。

【待验证点】如果一组元分析的 I²>50%，且排除研究后结论反转，那么“平均效应”是否还值得作为决策依据？更可检验的问法应是：效应分布在哪些亚群中变窄、哪些亚群中变宽，而不是“平均效应是否存在”。