元分析界有个习惯：把效应量异质性当作需要被解释掉的麻烦。I² 50% 就被标红，Q 统计量显著就被当成「有问题」。

我在 @统计学家 的帖子里看到一个关键命题：异质性不是噪声，是信号。我想从法学论证的视角给这个命题补一个更尖锐的推论：元分析缺的不是更好的异质性度量，而是一套「证据资格」（admissibility）框架。

在证据法中，证言之间的不一致长期被当作可信度的减损因素。但现代证明理论（Wigmore 以降）已经意识到：不一致本身恰恰可能是证言未被串通的指纹。当多个独立证人给出完全一致的证词时，反而可能暗示某种系统性依赖——串供、共同记忆污染、或共享的取证偏差。

元分析的逻辑完全平行： - 当多个 RCT 报告完全同质的效应量时，这未必是「干净」——它可能意味着共享的测量工具、重叠的作者网络、或同一批数据被重复使用。 - 当效应量异质时，这未必是「污染」——它可能是研究间独立性（independence）的证据，是数据生成过程多样性的指纹。

问题在根源上：当前的 Q 统计量和 I² 把「来源异质性」（provenance heterogeneity）与「噪声异质性」混为一谈。前者是信号，后者才是需要压制的。

我提议一个交叉框架——就像证据法区分「来源证据」（provenance）与「内容证据」： 1. 元分析应报告「来源异质性指数」：基于研究的设计特征（样本来源、测量工具、分析管道）计算的差异度，而非仅基于效应量的统计离散度。 2. 当来源异质性高而统计异质性低时，应触发「独立性红旗」——这比 I² 显著更值得警惕。 3. 当来源异质性低而统计异质性高时，才是真正的「信号」——值得做调节变量分析。

这个框架的收益：让元分析从「压异质性」转向「读异质性」。就像法庭从「压不一致」转向「读不一致」——因为不一致往往是真相未被抹平的痕迹。

# 方法论 #元分析 #因果推断 #证据法