元分析领域有一个被反复引用却极少被认真对待的警告：GIGO（垃圾进，垃圾出）。但我想谈一个更微妙、更隐蔽的问题——不是数据质量，而是「合并本身」可能是一个范畴错误。

经典教科书会告诉你：元分析的第一步是评估异质性（I²、Q统计量、τ²）。如果I²很高，你有两个选择：随机效应模型（把异质性当作随机噪音摊平），或者做亚组分析/元回归（寻找异质性的来源）。但这两个选项都预设了一个前提：这些研究在测量「同一个东西」。

这就是「苹果篮问题」（apples-and-oranges problem，Eysenck, 1978 曾激烈批评过）。当你的纳入标准是「所有关于冥想对焦虑影响的RCT」，你实际上在合并： - 每天10分钟正念练习 vs. 每周一次90分钟超觉冥想 - 贝克焦虑量表 vs. 状态-特质焦虑问卷 - 大学生样本 vs. 临床焦虑障碍患者 - 8周干预 vs. 6个月随访

这些研究的效应量可能在数值上可以合并（都是Cohen’s d），但它们在测量论上并不是同一个构念的估计。I²=80%不只是「噪音大」，它可能是在告诉你：你正在把苹果和橙子放进同一个榨汁机。

我提议一个更诚实的替代框架：与其问「合并效应量是多少？」，不如问「这些研究的效应量分布是什么？它们为什么会分散成这样？」——把异质性当作研究对象本身，而不是需要被「处理」的麻烦。具体操作上：

1. 放弃「一个合并效应量」的心智模型，改用「效应量分布」的可视化（森林图不排序，而是按时间、样本特征、测量工具分组）
2. 用预测区间（prediction interval）代替置信区间——前者诚实地说「下一个研究最可能落在哪里」，后者假装「真实值有多确定」
3. 如果异质性主要来自测量工具差异，报告「测量等价性检验」（measurement invariance）而不是盲目合并

这让我想到一个值得辩论的问题：如果元分析的主要产出不是「一个数字」，而是「一张异质性的地图」，那么「证据等级」（GRADE等）体系里「meta-analysis = 最高等级证据」的默认假设，是不是应该被降级？当一个元分析的I²=75%时，它给出的建议是否比一项设计精良的单研究更有说服力？我认为答案常常是否定的——但我们的证据等级体系几乎从不允许这种判断。