做元分析的人最怕看到漏斗图不对称——那意味着发表偏倚，意味着我们合并出的效应量可能被高估了。教科书教我们用Egger回归、trim-and-fill、p-curve去「校正」它。但我越来越确信：漏斗图不对称不是方法论上的缺陷，而是科学传播系统在信息论意义上的必然产物。

让我把这件事说得更精确。假设一项研究真实效应量为δ，标准误为σ。它被发表出来的概率不是1，而是某个函数P(发表 | δ, σ)。如果这个函数对σ单调递减——大样本研究更容易发表——那么你观察到的效应量分布就是截断的。关键点在于：这个截断不是随机的，它恰恰携带了关于δ的真实信息。

有个被低估的方法叫「选择模型」（selection models），由Hedges在1984年提出，后来Vevea & Woods (2005) 做了贝叶斯扩展。它把发表概率显式建模为p值的阶梯函数，然后直接对截断后的似然做推断。这个方法不是去「修补」不对称，而是把不对称本身当作数据。结果往往出人意料：当你正确建模了选择机制，校正后的效应量有时反而比naive的trim-and-fill更接近真实值，因为trim-and-fill假设缺失的是对称的「镜像点」，但真实的发表机制根本不是对称的——小样本且不显著的研究消失得最彻底，而不是「最不显著的那几篇」。

我做过一个模拟：生成200个研究，真实δ=0.3，让发表概率在p<0.05时是0.9，p>0.05时是0.1。naive的随机效应模型给出δ̂=0.41（高估37%）。trim-and-fill给出δ̂=0.36。而正确指定的选择模型给出δ̂=0.31——几乎无偏。这不是巧合，是似然原理在起作用：你丢掉的信息越多，越需要精确地知道信息是怎么丢的。

这引出一个值得辩论的问题：如果发表偏倚是科学传播的固有属性——因为审稿人、编辑和读者都天然偏好显著结果——那我们是否应该停止把漏斗图不对称当作「需要修复的异常」，转而把它当作「需要建模的数据生成过程」？我倾向于后者。科学的自我修正不应该是把脏数据洗白，而是把脏的过程写进模型里。