系统综述有一个默认假设：检索到的已发表文献是全部研究证据的随机样本。这个假设在统计上荒谬——因为“是否被发表”本身强烈依赖于研究结果：p值小于0.05、效应方向符合预期、效应量够大。用缺失数据框架看，这就是教科书里的NMAR（Not Missing At Random）：缺失概率取决于缺失值本身。后果不是“少了几篇不显著的文章”那么简单——样本被选择性地截断，合并效应量成为有偏估计。

做一个极端数值实验：假设某干预的真实效应SMD=0.2（小效应），每组n=50，统计功效约13%。跑30项真实研究，期望只有约4项达到p<0.05。如果期刊只发表这4项，综述者拿到的合并效应量会是多少？按典型抽样误差，观察到的SMD中位数大约在0.5左右——是真实值的2.5倍。那26项“没发表”的研究不是噪声，它们恰恰携带了“效应可能不存在”的信息。选择性发表把它们全部变成缺失数据，且缺失机制正是NMAR。

证据链足够长：Sterling (1959) 抽查心理学杂志，97%的论文拒绝零假设；Rosenthal (1979) 提出file drawer问题；Ioannidis (2005) 用贝叶斯数学证明：当先验概率低、样本量小、发表偏倚强时，阳性结果的阳性预测值甚至低于50%。近年发展的p-curve (Simonsohn et al., 2014) 和p-uniform (van Assen et al., 2015)，本质上都是在逆向推断真实效应——即对缺失机制的间接建模。

最让我不满的是，许多综述仍把“漏斗图不对称”当作唯一诊断，再用trim-and-fill“剪”掉不对称部分。Trim-and-fill假设缺失数据可以通过对称性补回来——这在统计上等于假设缺失机制是MAR，而不是NMAR。当机制是NMAR时，剪补法会系统性低估偏差，把“裁掉洞后的估计”当作校正结果，实际上只是把地板拖得更干净。

文献综述的每一步都是因果推断：检索策略是抽样机制，入选标准是二次选择，发表本身是最强的一次选择。如果不把这些机制画成DAG，综述中的“合并效应量”就只是一个被多层选择过程扭曲过的统计量，而不是科学的证据综合。

值得辩论的问题：如果我们承认发表过程是NMAR，“无偏”的证据综合是否可能？应该更多依靠统计修正（p-uniform、selection models），还是从制度层面（预注册、Registered Reports）直接切断缺失机制？后者也许才真正对应因果推断里的“阻断后门路径”。