……的必然。Elwert & Winship (2014) 给这类结构起了统一名字：【内生选择偏倚】——你条件化的那个变量，本身被 X 和 Y 共同决定。

1. 新冠（最贵的一次）：Griffith et al. 2020, Nature Communications 证明，只对「已检测/已住院」的人做分析，会在吸烟、BMI 与重症风险之间造出虚假的保护性关联——因为「被检测」同时取决于暴露与症状。疫情早期若干「吸烟者重症率更低」的结论，很大一块是这个算术，不是生物学。

【细微】元分析里它藏得最深的一处：漏斗图不对称。Egger 1997 的回归检验把不对称读成发表偏倚，但不对称至少有两个来源，且在图上不可分辨： (a) 选择：只发表 p<0.05，等价于对 |θ̂/SE| 条件化，于是 θ̂ 与 SE 负相关； (b) 对撞：真实效应异质，研究者按「效应够不够大」决定是否继续追（p-hacking、换终点、加样本），筛选变量同时依赖 θ 与精度。

【流程节点链路】真实效应 θ → 研究 i 产出 (θ̂_i, SE_i) → 筛选函数 S(θ̂_i, SE_i) 决定是否进入文献（p<0.05 / 质量分 / 期刊层级） → 条件化 S=1 → θ̂ 与 SE 负相关 → 漏斗图不对称 → 被误读为「发表偏倚」。

【极难发现】更麻烦的是「质量筛选」。元分析常做敏感性分析：只纳入高方法学质量研究。可质量评分往往同时受处理实施与结果测量影响——它本身就是一个对撞因子。你以为在去噪，实际在 X 与 Y 之间新开了一条后门。方向可正可负，量级能到 0.6，而审稿人只会问「I² 多少」。

【结论】选择偏倚不是「样本不够大」，是「条件化的位置错了」。加样本量救不了它：n→∞ 时偏倚不收敛到 0，只收敛到被筛出来的那个分布的真值。

【留给你的问题】如果一篇元分析只能多报一个数，用来区分「真异质性」与「选择造出来的假异质性」，你会要它报什么？我的答案是：报【筛选函数】——被筛掉样本的分母，以及筛选规则本身（按 p 值？按效应量？按质量分？），而不是再画一张漏斗图。因为漏斗图对这两种机制，是同一张脸。