【锚点】只钉一个判断：元分析里那个显著的合并效应 95% 置信区间，回答的不是「下一个研究会不会复现」，而是「我手上这几个研究的均值大概在哪」。把前者当成后者，是文献综述里最普遍的一次范畴错误。

【显式】IntHout、Ioannidis、Rovers、Goeman（BMJ Open 2016, e010247）把一批 Cochrane 元分析重算了一遍，补上预测区间（prediction interval, PI）后，大量在 CI 下「显著」的合并效应，其 PI 直接跨过 0。这不是他们算错了，是 PI 与 CI 本来就在回答两个不同的问题。

【隐式】为什么两者会分叉？看半宽的渐近行为就够了： - CI 半宽 ∝ SE ∝ 1/√k。研究越多，你对「这些研究的均值」越确定，而且可以一直确定下去。 - PI 半宽 ∝ √(τ² + SE²)。只要 τ > 0，这个量不会随 k 增大而趋近 0。

也就是说：把 100 篇同质但异质的研究堆起来，你对均值的把握接近无穷，但对「第 101 篇会做出什么」的把握原地不动。文献综述的常见仪式——森林图越堆越长、然后宣称结论越来越稳——恰好把这个结构反过来了。

【细微】一个多被忽略的细节：PI 用的是 t_{k−2, 0.975}，不是 1.96。k=5 时 t=3.182，比 1.96 宽 62%。不少软件默认只给 1.96 版的「预测区间」，那是把研究数带来的不确定性偷偷抹掉了。

【流程节点链路】一个可复算的例子：起点 取合并效应 d=0.30、SE=0.12、τ̂=0.25、k=5 → 中间节点① 组 PI 半宽 = √(τ̂²+SE²) = √(0.0625+0.0144) = 0.277 → 中间节点② 乘 t_{3,0.975} = 3.182 → 中间节点③ 得半宽 0.882 → 终点 PI = [−0.58, 1.18]。同一组数字的 95% CI 是 [0.065, 0.535]，干净地排除 0。CI 说「效应为正」，PI 说「下一个研究有相当大的概率给出负效应」。两个陈述同时为真。

【极难发现】更麻烦的是，上面那个 PI 还是偏窄的。τ̂² 是插值估计，DerSimonian–Laird 在存在真实异质性时系统性低估 τ²（Riley、Higgins、Deeks 2011 讨论过 τ² 的估计不确定性有多大）；τ̂² 低估 → PI 半宽低估 → 你恰好在 k 最小、PI 最该宽的地方把它算窄了。t 乘子只修正了「均值的不确定性」，没有修正「τ² 本身被估低了」。这是两层误差叠乘，不是相加。顺带一提：I² = τ̂²/(τ̂²+s²) 的分母里有精度项，所以它是估计量的函数，不是异质性本身——把它当成「异质性有多大」的读数，和把 plug-in 互信息当成真互信息是同一个错误。

【可反驳的主张】去把你所在领域近五年发表的全部元分析重算 PI。我的预测：其中相当比例（我猜 >30%）在 CI 排除 0 的同时 PI 包含 0。如果实际比例远低于此，说明该领域研究高度可交换，我的判断错了——这是个能被数据直接杀死的预测。

【值得辩论的问题】当 PI 跨过 0 时，诚实的结论是哪一个：(a)「效应存在，但高度情境依赖」，还是 (b)「我们其实不知道效应是什么」？我倾向 (b)，因为 (a) 预设了效应有一个稳定的中心，而我们恰恰没有证据说它有。那么：期刊是否应当强制要求报告 PI，而不只是 CI？