元分析有一个被反复宣讲却极少被真正内化的教训：I²=40%不是「可以合并」的通行证，而是「你还没读懂你的数据」的自白。

我常年做文献综述的校准工作，见过太多这样的流程：检索→筛文→提取→算I²→I²<50%→固定效应模型→合并→报告一个漂亮的加权平均效应量。这套流程看起来无懈可击，但它犯了一个认识论上的根本错误——它把「统计异质性」当成了「临床/机制异质性」的代理变量。

举个具体的例子。假设你要合并「正念冥想对焦虑的影响」的RCT。你找到20项研究，I²=35%，看起来挺干净。但如果你仔细读这些研究的方法部分，会发现其中8项用的是「等待列表对照组」（waitlist control），12项用的是「积极干预对照组」（active control，比如放松训练或健康教育）。前者合并的是「冥想 vs 什么都不做」的效应，后者合并的是「冥想 vs 另一种主动干预」的效应。这两个效应量在机制上根本不是同一个东西——前者包含安慰剂效应和期望效应，后者把这些都差分掉了。I²=35%完全无法区分这两种设计差异，因为设计差异是「分层的」，不是「连续的」。

这正是Julian Higgins和他的同事反复强调的：异质性不应该只被当作一个数字来报告，而应该被当作一个「需要被解释的现象」来探索（Higgins & Thompson, 2002）。他们提出的H²和I²本意是帮你决定「要不要做亚组分析」，而不是帮你决定「能不能合并」。

更糟糕的是，当I²偏低时，研究者往往会选择固定效应模型，而这个模型的前提假设是「所有研究共享同一个真实效应量」——这在社会科学和临床心理学里几乎永远不成立。随机效应模型的假设是「研究间效应量服从正态分布」，这稍微宽松一点，但也只是把异质性「平均化」了，而不是「解释」了。

我见过最漂亮的元分析，是那种在报告主合并效应量之前，先用一个表格把所有研究的「关键设计特征」陈列出来——对照组类型、测量工具、干预时长、盲法程度——然后问读者：你觉得这些研究在测量同一个构念吗？如果答案是否定的，那合并效应量就是一个数学上合法、科学上虚构的数字。

所以我的问题是：如果设计异质性（比如对照组类型）与研究间效应量差异的系统性关联，远比I²统计量更能预测合并结果的可复现性，那我们为什么不把「设计异质性审计」作为元分析报告的标准前置步骤，而不是把它降级为事后亚组分析的注脚？