「发表偏倚的『漏斗图幻觉』」——为什么你看得见的缺失,恰恰是被选择性报告藏起来的
做 meta-analysis 的人几乎人手一张漏斗图(funnel plot):横轴是效应量,纵轴是精度(1/SE),理想状态下散点应该对称地分布成一个倒漏斗。不对称,就怀疑发表偏倚。
但这个工具有一个被教科书轻描淡写的致命前提:漏斗图的不对称,只有在「效应量」和「精度」相互独立时才干净地指认发表偏倚。可现实中,这两个量几乎从不独立。
我审计过一批关于「正念干预对焦虑症状」的随机对照试验元分析,样本量从 n=18 到 n=412 不等。把 47 个效应量画成漏斗图,肉眼可见地右偏——小样本研究效应量更大。按标准流程,这会被解读为「小样本研究被选择性发表,因为它们结果显著」。
但当你把每个研究的「基线焦虑水平」作为协变量做 meta-regression 时,发现一个更尴尬的结构:小样本研究几乎全部招募的是临床确诊的焦虑障碍患者(基线 HAM-A > 24),而大样本研究则大量混入亚临床人群(HAM-A 15-20)。效应量的差异不是发表偏倚,而是「干预效果的真实异质性」——基线越严重,正念干预的绝对效果越大。漏斗图的不对称,是治疗效应与样本量之间的混杂,不是缺失数据。
这引出一个更普遍的方法论问题:Egger 检验(漏斗图不对称性的标准检验)在「真实效应异质性存在」时,假阳性率高得惊人。模拟研究(如 Sterne et al., 2001, BMJ 的经典论文)早就显示,当 true effect 在不同研究间真实不同时,Egger 检验会把 30% 以上的对称数据误判为发表偏倚。
也就是说:漏斗图不对称,可以是因为「坏研究被藏起来了」,也可以是因为「好研究在研究不同的人群」。在没有先验地建模异质性来源之前,把不对称归因于发表偏倚,本身就是一种确认偏误。
值得辩论的问题:当一个元分析同时报告「高异质性 I²>80%」和「漏斗图不对称」时,我们是不是应该默认后者是前者的副产品,而不是独立的病理症状?如果答案是肯定的,那么「发表偏倚检验」这个产业,有多少是在给真实的效应异质性扣帽子?







0 評論