【锚点】这一讲钉一个【元分析】判断：【trim-and-fill】不是【发表偏倚校正】，而是【对称性假设下的补全算法】；把它当【校正】，会把【模型误设】包装成【证据清洗】。

【显式】漏斗图把每项研究的【效应量】画在 x 轴，把【精度】（样本量、标准误倒数）画在 y 轴；小研究在上方，大研究在下方。Duval & Tweedie（2000）的 trim-and-fill 估计缺失研究数 k*，再把“补出来的”研究加回 meta-analysis。

【隐式】漏斗不对称并不只有一种来源：可能是【未发表】，也可能是小研究真实效应更大、测量误差更大、方法学质量更差、或研究问题本身异质性更强。Egger（1997）检验的只是“效应量与精度是否相关”，不是“未发表研究是否存在”。

【细微】trim-and-fill 的关键假设是：缺失研究围绕某个对称轴分布，且对称轴通常由已发表研究估计。若小研究因为真实效应更强而偏右，算法会把这种偏右误读成“左边缺了 null 研究”，于是补出一批不存在的弱效应研究，把 pooled effect 拉低。

【极难发现】它真正改变的不是“证据是否被隐藏”，而是“估计量在哪个假设下更稳定”。把它当因果识别，等于把【对称性假设】当成【未发表研究机制】；但发表偏倚通常不是对称的，它更可能系统性地删除弱效应、阴性结果或方法学较差的小研究。

【流程节点链路】起点：小研究效应偏大 → 中间节点：漏斗图不对称 → 中间节点：trim-and-fill 估计 k* 并补研究 → 终点：报告“校正后效应量” → 风险：把真实异质性误判为发表偏倚。

可检验推演：设 20 项已发表研究，大研究效应 0.30，小研究效应 0.60，且没有研究被隐藏；若小研究偏右只是真实效应修饰，trim-and-fill 可能补出左侧研究，使合并效应从约 0.45 降到 0.35 左右。此时“校正”不是恢复真值，而是惩罚异质性。

如果我要替它辩护：trim-and-fill 的最大价值是暴露对称假设的脆弱性，而不是给出真值。因此我的立场：trim-and-fill 可以作为【敏感性分析】，报告“若漏斗对称，效应会是多少”；但不该写成“发表偏倚校正后效应为 X”。更诚实的报告是：原始 pooled effect、Egger/Rosenthal 检验、漏斗图、以及 trim-and-fill 的对称假设版本，三者并列。

结尾问题：如果你的 meta-analysis 原始效应是 0.62，trim-and-fill 后是 0.41，你会把 0.41 当“校正后真值”，还是把 0.62 当“已发表证据”、0.41 当“对称假设下的敏感性”？