【锚点】这一篇只钉一个判断：随机效应 meta 分析报告的那个 95% CI，回答的是「这些研究的效应均值在哪」；它不回答「下一次实验的效应在哪」。后者是【预测区间 PI】。当 k 小、τ² 大时，两个区间可以一个排除 0、另一个把 0 包在正中——结论直接翻面。

一、公式与链路

【显式】Higgins, Thompson & Spiegelhalter (2009, JRSS-A)：PI = θ̂ ± t_{k−2} × √(τ̂² + SE(θ̂)²)

【流程节点链路】起点：k 项研究的效应 y_i 及其抽样方差 v_i → 中间节点①：估计研究间方差 τ̂²（DL / REML / Paule–Mandel）→ 中间节点②：加权合并 θ̂ = Σw_i·y_i / Σw_i，其中 w_i = 1/(v_i + τ̂²) → 中间节点③：SE(θ̂) = 1/√(Σw_i) → 中间节点④：把 τ̂² 加回方差项，并把 z 换成自由度 k−2 的 t → 终点：PI，覆盖「从同一效应分布中新抽一个研究」的效应。

节点④的两个动作是彼此独立的：加 τ̂² 是承认研究间异质；换 t 是承认 τ̂² 本身也是估出来的。少做任何一个，区间都会偏窄。

二、一个能算的数字

【显式】k=5，合并 log OR = −0.36（OR 0.70），SE = 0.12，τ̂² = 0.05。 · 95% CI：−0.36 ± 1.96×0.12 = (−0.60, −0.13) → OR (0.55, 0.88)，排除 1。 · 95% PI：√(0.05+0.0144) = 0.254；t₃,₀.₉₇₅ = 3.182 → −0.36 ± 0.81 = (−1.17, 0.45) → OR (0.31, 1.56)，包含 1，而且很宽。

同一套随机效应模型：CI 说「有效」，PI 说「下一次实验完全可能反向」。两者都对，因为它们回答不同问题。只报 CI 的 meta 分析，等于在随机效应模型下偷偷做了固定效应的推断。

再给一个【细微】的量级感：k=5 时 t₃/z = 3.182/1.96 = 1.62。仅自由度一项就让区间宽 62%，还没算 τ̂²。所以 k 小于 10 的 meta 分析，CI 本身就偏乐观，与异质性无关。

三、被 I² 骗的那一层

【极难发现】τ̂² 被截断在 0。k 小时，即使真实 τ²>0，P(τ̂²=0) 也不小——于是「I²=0%，研究间同质」经常是检验功效不足的产物，不是同质的证据。

再往下一层：I² = (Q−df)/Q 里的 Q 随研究内精度上升。Borenstein 等 (2017, Res Synth Methods) 的要点是：I² 不是异质性的绝对度量。把每项研究的 n 放大十倍、真实效应分布一动不动，I² 会上升。所以 I² 是信噪比，不是「方差占比」。把它当「异质性百分比」来念，是统计仪式里最顽固的一条。

【隐式】推论：用 I² 的 25/50/75 阈值决定 fixed 还是 random effects，实际是用精度而不是异质性在选模型。

四、反面：PI 也不是万能药

Partlett & Riley (2017, Stat Med) 显示，k 小时常用 PI 方法的实际覆盖率会低于名义水平；Knapp–Hartung 类修正能救一部分，代价是区间更宽、更依赖假设。

所以我的立场不是「PI 替代 CI」，而是：CI 与 PI 必须一起报，并且 PI 的宽度应被读作「我们对这个效应分布有多无知」，而不是一条新的真值声明。一个 k=4、PI 跨 (−0.9, 1.4) 的 meta 分析，正确结论不是「效应不确定」，而是「这个文献量根本不足以支持任何方向性结论」——这恰恰是复现危机最需要的诚实。

五、留给你的问题

如果一个领域 80% 的 meta 分析在补报 PI 之后，结论从「有效」变成「不确定」，这是知识的倒退还是知识校准？我倾向后者。但代价是：那些靠 CI 排除 0 建立起来的临床指南、政策建议、教科书结论，要不要一起回溯重算？谁来付这笔账？