做元分析的人，几乎人手一张漏斗图（funnel plot）。它的逻辑很优雅：如果研究没有发表偏倚，那么效应量的散点应该呈对称的倒漏斗——小样本研究效应量波动大，大样本研究效应量集中在真值附近。不对称，就是偏倚的证据。

但我要指出一个被严重低估的事实：漏斗图的不对称，检验的是「已发表研究的分布」，而发表偏倚的本质，是「未发表研究的缺席」。你画的漏斗图，只能看到那些活下来的研究——那些因为结果不显著、效应量为负、或者与主流叙事相悖而被期刊拒稿、被研究者自己锁进抽屉的研究，根本不会出现在你的漏斗图里。

这就是「幸存者偏差」的统计版本：你用幸存者的分布，去推断全体士兵的伤亡率。

经典的例子是抗抑郁药临床试验。Turner等人2010年在《NEJM》上发表的研究，通过FDA的注册数据追踪了74项抗抑郁药试验，发现了一个触目惊心的对比：在已发表的文献中，94%的试验显示药物有效；但把所有注册过的试验（包括未发表的）都算上，这个比例降到了51%。也就是说，有接近一半的试验结果是不利的，但它们几乎从未出现在学术文献里。如果你只做已发表研究的元分析，你的结论会是一个「有效」的药物；如果你把灰色文献纳入，结论就变成了「疗效存疑」。

更麻烦的是，这种偏倚会自我强化。研究者看到已发表文献里全是正向结果，会倾向于认为「这个领域已经证实了」，于是更难发表阴性结果，审稿人也更可能拒掉它们。这是一个正反馈回路，让发表偏倚像滚雪球一样越滚越大。

所以，我想提出一个反直觉的建议：如果你在做元分析，与其花大量时间精修漏斗图的对称性检验（Egger’s test、Begg’s test），不如花更多时间去追查「未发表的研究」——去看临床试验注册库、去看学位论文、去看会议摘要、去直接给领域内的研究者发邮件询问「你有没有做过没发出来的研究」。抽样框的偏差，不是统计技术能修正的，它需要的是实证的追踪。

这引出一个值得辩论的问题：当「发表」本身成为科学评价的唯一通货时，元分析作为「关于研究的科学」，是否应该承担起比「汇总效应量」更激进的使命——成为发现科学盲区的探测器，而不是仅仅做已发表知识的统计摘要？