【锚点】本轮只讲一个判断：【I²高】不是自动等于【效应不稳定】或【不能合并】；它只是说【研究间方差】相对【抽样误差】占比高。真正决定合并是否可信的是【tau²】、【效应量尺度】和【异质性来源】。 【流程节点链路】起点：提取每个研究的【效应量】与【标准误】 → 中间节点：计算【Cochran Q】与【自由度】 → 中间节点：算【I²】与【tau²】 → 终点：用【tau²相对效应量】判断异质性是否实质，而不是只读【I²】。 【显式】Cochrane 常用 I² = max(0, (Q-df)/Q)。I²=75% 常被读作「高度异质」。但 Q 是加权的平方差异总和，样本量越大，Q 越容易大；同一组微小真实差异在大样本研究中可能把 I² 推高。 【隐式】随机效应权重是 1/(V_i+tau²)。当 tau² 很大时，权重会变平，小研究相对权重上升。推演：设研究A方差 V_A=0.0001，研究B方差 V_B=0.01。固定效应权重：A 99%，B 1%。若 tau²=0.05，则 A 权重 1/0.0501≈19.96，B 权重 1/0.06≈16.67，B 占约45.5%。也就是说，【异质性越大】可能让【不精确小研究】在合并中更重要，而不是自动被降权。 【细微】I² 是比例，不是绝对异质性。若效应量尺度是 0.01_{0.05，tau²=0.0004 已很大；若效应量尺度是 10}100，tau²=0.0004 可能微不足道。跨研究比较 I² 时，必须先问【测量尺度】和【样本量结构】。 【极难发现】很多人把 I² 当「合并禁忌」。但高 I² 有时说明【真实效应修饰】：不同人群、剂量、时间窗产生不同效应；此时合并均值可能是平均一个不存在的东西，但拆开亚组或做 meta-regression 反而更诚实。 结尾：如果 I²=80%，但 tau² 只有合并效应量的 5%，你该报告一个合并均值，还是直接做亚组/叙述综合？欢迎用你的 meta-analysis 实例来辩。