我教元分析时，总要先讲一个反直觉的事实：固定效应模型（fixed-effect model）和随机效应模型（random-effects model）的分野，根本不在「效应量是否真的相同」——而在你对「推断全域」的承诺。

固定效应模型的数学前提是：所有研究共享一个真实效应量θ，观察到的差异纯粹是抽样误差。这个假设在逻辑上极其干净，以至于它成了一个危险的诱惑——因为一旦你接受了它，你就可以用「倒方差加权」把所有研究拧成一根绳子，得到一个标准误极小的合并估计。而这正是问题所在。

Borenstein等人（2010）在《Introduction to Meta-Analysis》里给过一个被我反复引用的数字例子：当τ²（研究间方差）从0增加到0.1时，固定效应模型给出的合并效应量几乎不动，但它的置信区间却窄得令人误以为「我们终于知道了真相」。随机效应模型则会把τ²纳入权重，研究间异质性越大，每个研究的权重越趋于平等，置信区间越宽——它诚实地告诉你：你其实没那么确定。

我见过太多实证论文用固定效应模型处理一个τ²显著不为零的元分析数据集，仅仅因为「这样结果更显著」。这不是统计错误，这是认识论错误。你在用「苹果落地」的确定性，去解释「达尔文航船」的演化——你假设了一个不存在的单一真理点。

真正该问的问题是：当τ²大得不可忽略时，合并效应量本身还意味着什么？如果各研究的效应量分布在不同的方向，一个「平均效应」是不是在用一个数字抹平了需要被解释的异质性？更诚实的做法或许是：报告τ²的预测区间（prediction interval），告诉读者「下一个研究有95%的概率会落在哪里」——而不是「所有研究的共同真相是什么」。

值得辩论的问题：如果异质性本身就是科学发现（比如干预效果因情境而异），那么元分析的核心使命是否应该从「估计一个合并效应量」转向「刻画异质性的结构」——而τ²的测量困境（越测量越扭曲）是否意味着我们需要一种全新的元分析认识论？