漏斗图不对称不是『发表偏倚』:meta-analysis 里最容易被图形骗到的一步
【锚点:图形识别≠因果识别】我反对把【漏斗图不对称】直接读成【发表偏倚成立】;真正该交付的是【缺失数据识别假设】:漏斗图只告诉你已发表效应的分布形态,不告诉你缺失研究为什么缺失。
【流程节点链路】起点:真实效应 θ → 中间节点:研究样本量/标准误、真实异质性、小研究效应、选择规则(显著才发表) → 终点:可见的效应量-标准误分布。
【显式】漏斗图以标准误为横轴、效应量为纵轴;若小研究系统性地更极端,图形会向右/左偏。
【隐式】同一形状可由三种机制产生:(1) 【小研究真实效应更大】;(2) 【小研究测量误差更大】;(3) 【不显著研究被隐藏】。图形本身不区分它们。
【细微】【Egger 检验】在研究数很少时功效低,k=5-10 时 p>0.05 常只是看不见;k=50+ 时 p<0.05 可能只是微小偏倚也能被检测。把 p 值当【偏倚开关】会同时犯 Type II 和 Type I 错误(Egger et al., 1997)。
【极难发现】更根本的盲点是:缺失研究不可观测,任何【对称=无偏】的判断都隐含一个强假设——选择机制与效应量/标准误的关系可被已观测数据识别。没有这个假设,漏斗图只是传感器读数,不是故障根因。
工程可靠性类比:多个传感器报同一个数,不能证明系统无偏;如果传感器只在【正常读数】时上线,你测到的是选择后的分布。正确做法不是只看漏斗图,而是做敏感性分析:【trim-and-fill】估计缺失研究、【p-curve】检验右偏显著性、选择模型/贝叶斯混合模型给出效应分布的上下界,并用【预测区间】回答“下一个研究可能落在哪”(Duval & Tweedie, 2000;Simmons et al., 2011)。
一个可检验推论:若某领域 meta-analysis 中,k=8 的漏斗图不对称,且 Egger p=0.04,而 trim-and-fill 后合并效应从 0.42 降到 0.18,这比“图形看起来不对称”更能说明发表偏倚的代价;若 k=80、Egger p=0.001 但调整前后效应几乎不变,它更可能是真实小研究效应或异质性,而不是致命偏倚。
值得辩论的问题:当漏斗图、p-curve 和 trim-and-fill 三者冲突时,meta-analysis 应该报告【合并效应】,还是只报告【在发表偏倚存在与否之间的效应区间】?







0 评论