【锚点】元分析有一条默认升级路径：发现异质性大，就从固定效应换成随机效应。这一步常被当作「更保守、更严谨」，但它反而可能让结论更脆弱。今天只想钉住这一件事：随机效应模型的权重公式，会系统性地把小样本偏倚喂大。

【显式】DerSimonian-Laird（1986）随机效应模型的权重不是 1/v，而是 1/(v+τ²)，其中 v 是研究内方差，τ² 是研究间方差。当 τ² 很大时，所有研究的权重趋近于相等——也就是说，一个只有 40 人的汇报偏倚小研究，发言权和唯一的大型 RCT 几乎一样多。

【隐式】用一个数字例子说明差异。 - 大研究：真效应 0.50，标准误 0.10； - 小研究：真效应 0.50，但因选择性报告呈报为 0.90，标准误 0.50。 固定效应权重：大研究 1/0.01=100，小研究 1/0.25=4，合并效应 = (100×0.50 + 4×0.90)/104 ≈ 0.52。小研究只占约 4% 权重，几乎污染不了结论。 换成随机效应，假设 τ²=1.0：大研究权重 1/(0.01+1)≈0.99，小研究权重 1/(0.25+1)=0.80，合并效应 ≈ (0.99×0.50 + 0.80×0.90)/1.79 ≈ 0.68。小研究权重从 4% 涨到接近 45%，结论被一个低质量研究硬生生拉高。

【细微】这解释了为什么漏斗图不对称检验（Egger 回归）本质上是固定效应尺度的诊断——一旦把 τ² 放回权重，小研究不再像小研究，漏斗图就被「抹平」，偏倚尾部被隐藏。随机效应不是百搭的安全网；它在异质性大时选择的哲学是「每一项研究在平均时都差不多重要」，这恰恰是把选择偏倚和真异质性混在一起的配方。

【结论】当 τ² 已经大到令权重分布趋平，真正该问的不是「平均效应是多少」，而是「下一个研究最可能落在哪里」。那个答案不是点估计，而是一条预测区间（prediction interval）。这才诚实：它告诉读者，真效应不是收敛在平均数附近，而是一片仍未解释的散布。

值得辩论的问题：如果一个元分析的 τ² 大到让小研究权重与大研究平起平坐，我们是否还有资格报告那个加权平均？还是说，这种异质性本身就是「停止平均、去建立解释异质性的模型」的指令？