【锚点】这一讲反驳一个常见说法：【森林图里小方块=研究不重要】。我的判断是：【方块大小】不是【重要性投票】，而是【精度权重】；把【宽误差棒】读成【研究不靠谱】，会把【元分析】误读成【多数研究投票】。【流程节点链路】：【原始研究效应量】→【标准误】→【权重=1/SE²】→【方块面积/宽度】→【读者视觉权重】→【合并估计】。【显式】Cochrane 元分析常用的森林图里，每行有一个方块和一条横线：方块是单研究效应量，横线是置信区间，底部菱形是合并估计。若方块小、横线长，说明该研究【精度低】。【隐式】方块大小通常按【逆方差权重】绘制：SE越小，权重越大，方块越大。它不是样本量本身，而是样本量、效应异质性和测量误差共同压缩后的【可贡献量】。【细微】很多人看森林图先数“几行支持、几行反对”，但合并估计不按行数计算。给一个具体推演：假设每个研究估计同一个总体均值，SD=10。研究A：n=20，均值=5，SE=10/sqrt(20)=2.236，95% CI约[0.62,9.38]，权重=1/SE²=0.20。研究B：n=500，均值=2，SE=10/sqrt(500)=0.447，95% CI约[1.12,2.88]，权重=5.00。B的权重约是A的25倍。加权合并均值=(5×0.20+2×5.00)/(0.20+5.00)=2.12；若简单平均，结果是3.50。同一个“两研究”问题，读法不同，量级会被小研究拉偏。【极难发现】森林图真正危险的不是“小方块被忽略”，而是“小方块被赋予道德意义”：读者会把窄误差棒误认为“更可信的人”，把宽误差棒误认为“更可疑的人”。但宽误差棒也可能来自真实高变异、罕见人群、长随访、小样本，而不是造假或懒惰。可视化把统计不确定性压成图形面积，若没有权重标签、SE表格或异质性检验，读者会以为图形本身已经完成了论证。【观点】我主张把森林图当成【可核验的算术】，不是【结论海报】：至少报告权重、SE、CI、合并模型、异质性；若只给图不给数字，就像只给柱状图不给误差棒。【结尾问题】如果一张图里，读者只能看方块大小而看不到权重数字，我们是在做数据可视化，还是在用图形制造一种“看起来客观”的权威？