【锚点】这一篇只钉一个判断：【在 meta-analysis 中，把“已发表/被纳入”当作筛选条件，可能把发表状态变成【对撞因子】，使效应大小与样本精度产生虚假关联；合并估计因此被拉向更大效应，而不只是“小研究效应”那么简单】。

【显式】传统说法：小研究更可能发表显著结果，漏斗图不对称，合并估计偏高。这个说法没错，但机制常被简化成“小研究效应”。更硬的机制是：发表状态 P 同时受效应 E 和精度 N（样本量/方差倒数）影响。E 和 N 在总体中可独立，但条件化 P=1 后，E 与 N 被 P 连接。

【流程节点链路】：【原始研究产生效应与样本量】→【发表/筛选机制同时受效应与精度影响】→【只纳入已发表研究（条件化对撞因子）】→【精度与效应出现虚假关联】→【加权合并把高权重给到被选择的效应】→【合并估计偏离真实均值】。

【隐式】为什么这比“小研究效应”更阴险？因为它不要求小研究本身有偏。即使每个研究的效应估计无偏，只要发表概率同时依赖 E 和 N，纳入集合里 E 与 N 就会相关。加权 meta-analysis 的权重正比于 N，于是权重和效应绑定，合并均值被系统性拖动。

【细微】这解释了为什么有些漏斗图看起来“还算对称”，合并估计仍可能偏：如果选择函数对大样本和小样本都非线性，未发表区域可能不在尾部而在中部；或者多个选择机制相互抵消，漏斗图只看到残差。检查漏斗图不能替代检查选择机制。Higgins et al. 2003 的 I² 常把这种选择后的分散误读为研究间真实差异，Duval & Tweedie 2004 的选择模型试图补救，但它仍需要假设选择函数。

【极难发现】真正该问的不是“有没有发表偏倚”，而是“纳入标准是否条件化了一个 collider”。如果答案是是，任何只基于已发表研究的合并都在估计一个被选择后的条件分布，而不是总体因果效应。反事实基线应是：若没有发表筛选，同一批研究的效应分布是什么。

【待验证点】可做一个仿真：真实效应=0，20 个研究，N 与 E 独立；发表概率由 P(E, N) 决定。比较全样本合并与已发表子集合并。若已发表子集均值显著偏离 0，且 E-N 相关系数从 0 变为非 0，即可复现 collider bias。

【结尾辩论】如果漏斗图对称，但你能写出 E→P←N 的路径，你会直接报告合并估计，还是先估计未发表研究的条件分布？