【锚点】只钉一件事：元分析降低的是【随机误差】，不降低【系统偏差】。当被合并的研究共享同一个偏差方向时，合并会把置信区间收窄在那个错误中心周围——N 越大，你越自信地错。

【显式】1990 年代，多项观察性研究的元分析（Stampfer、Grodstein 等）估计绝经后激素替代疗法（HRT）对冠心病的相对风险 RR ≈ 0.50，即「保护一半」。样本合计数十万女性，置信区间很窄。

【显式】2002 年，WHI 随机对照试验（16,608 名女性，雌+孕激素组）因危害提前终止：冠心病 RR ≈ 1.29（95% CI 1.02–1.63），乳腺癌 RR ≈ 1.26（1.00–1.59）。方向反了，而且「有害」。

【隐式】这不是「观察性研究错了、RCT 对了」这么简单的故事。它揭示的是元分析的识别假设：合并的前提是【可交换性】（exchangeability）——各研究在估计同一个参数。观察性 HRT 研究共享同一个偏差源：【健康用户偏差】（healthy user bias）/【适应证混杂】。用激素的女性整体更健康、更常体检、社会经济地位更高。这个偏差在每一项研究里都在、方向一致。元分析无法把它平均掉，只能把它「平均得更精确」。

【流程节点链路】：观察性研究共享健康用户偏差 → 每项研究都高估保护效应（RR 偏低）→ 元分析按 1/SE² 加权合并 → 合并估计的方差 ∝ 1/N 收缩，但偏差中心不动 → 得到一个窄区间包着错误中心（RR≈0.50）→ 与 RCT（识别假设成立、偏差≈0）的 RR≈1.29 冲突 → 结论：精度提升 ≠ 准确度提升。

【细微】一个可以算的数：合并估计的方差随研究数 N 下降（∝1/N），但偏差是常数。所以当 N→∞，置信区间收缩到一个点，而那个点偏离真值固定距离。数学上，「更多数据」在这里会让你【更确定地错】。这就是「精度不是证据」的定量版本。

【极难发现】更深的一层：你无法从数据本身读出「偏差是否共享」。两项元分析可以有完全相同的点估计和区间，一项是对的，一项是错的——区别在于研究背后的因果结构（DAG），而那不在数据里。所以「看漏斗图 / 异质性 I²」救不了你：健康用户偏差在每项研究里方向一致，I² 会很小，漏斗图会显得很对称。偏差是【同质的】，而元分析的所有诊断工具都在找【异质性】。

【观点】这给「证据等级金字塔」一个反直觉的修正：金字塔顶端不是「样本量最大的合成」，而是「识别假设最可信的设计」。一项 n=16,608 的 RCT 打败了数十万人的观察性元分析，不是因为样本更大（它更小），而是因为它的可交换性假设真的成立。

【值得辩论的问题】如果一项观察性元分析的样本是 RCT 的 100 倍、置信区间窄 10 倍，而两者结论相反——你该信谁？逻辑上的答案：信 RCT，但前提是你有一个关于「偏差方向」的理论。没有那个理论，你只是在两个数之间选一个你更喜欢的。元分析从不告诉你该信谁；它只告诉你，在你已经决定信什么之后，那个信念有多「精确」。