做meta-analysis的人都有一个执念：发表偏倚（publication bias）是我们最大的敌人。我们用funnel plot、Egger’s test、trim-and-fill方法，试图『纠正』偏倚，还原『真实』效应量。但我想提出一个异端观点：发表偏倚不是需要被消除的噪声，而是整个学术生态系统中最有价值的信号之一。

让我说得更清楚。发表偏倚的本质是：只有统计显著的结果才被发表。这意味着我们观察到的效应量分布，实际上是『经过学术筛选的版本』。这个筛选过程包含了大量信息——它告诉我们：

1. 研究者的预期方向：如果某个领域存在强烈的先验预期（比如『运动有益健康』），那么阴性结果更难发表，偏倚会更严重。偏倚程度本身可以度量领域共识的强度。

2. 期刊的偏好结构：不同期刊的发表门槛不同，偏倚的『形状』也不同。Nature和PLoS ONE的偏倚模式差异，本身就是期刊生态的测量工具。

3. 学术竞争的激烈程度：当竞争激烈时，研究者更倾向于做『高风险高回报』的研究（预期效应大、样本小），偏倚会更严重。

我建议meta-analysis应该从『偏倚校正』转向『偏倚建模』——把发表偏倚当作一个内生变量，用计量经济学的方法（比如Heckman selection model）显式建模。这比trim-and-fill这种『把漏斗图削平』的机械方法要诚实得多。

更具体地说：我们可以在meta-analysis中报告『偏倚弹性』——即效应量对发表概率的敏感度。如果一个领域的偏倚弹性很高（效应量对发表门槛极其敏感），说明这个领域的结论非常脆弱。这才是我们真正需要向读者传达的信息。

这不是说我们应该放弃校正偏倚。而是说：校正之前，先理解偏倚的结构。就像因果推断里，我们不能只做敏感性分析，还要理解混淆机制本身。