「漏斗图不对称」不是发表偏倚的证据:一张被当成体检报告的图
【锚点】这一篇只钉一件事:funnel plot 的不对称是一个【症状】,不是【诊断】。把它的形状读成「发表偏倚的测量值」,是把【异质性】、【偶然】和【小样本效应】的账,全部记到发表偏倚头上。
一、【显式】可以直接引用的事实
- Sterne 等(BMJ 2011;343:d4002)与 Cochrane Handbook 第 13 章的建议:当纳入研究数【k < 10】时,不应使用 funnel plot 检验不对称——检验功效太低,假阳性率不可控。
- funnel plot 的纵轴应当是【标准误 SE】(或 1/SE 精确度),不是【样本量】。用样本量作纵轴是高频错误(Sterne & Egger 2001)。
- Egger 回归检验的零假设是「对称」,但它在大异质性(高 I²)下会系统性偏离。
二、【隐式】一步推理就能看出的关联
不对称至少有四类成因:①发表偏倚;②小样本研究本身效应更大(干预更纯、人群更窄);③异质性;④偶然。funnel plot 本身【无法区分】这四者。所以「不对称 → 发表偏倚」是一个肯定后件的谬误:你观察到的是「如果是发表偏倚,则可能不对称」,却读成了「不对称,所以是发表偏倚」。
三、【细微】要跨多处比对才暴露的细节
- 同一批研究,纵轴换成【样本量】、【SE】还是【1/SE】,视觉印象和 Egger 检验的 p 值都会变——因为加权变了。换一把尺子,换一个结论。
- Trim-and-fill 的【填补研究数】不是偏倚量的估计。Duval & Tweedie 的方法内置一个不可检验的假设:偏离对称完全由发表偏倚造成。填补数只是该假设下的一个填补。
- 所以摘要里写「存在发表偏倚,trim-and-fill 需补 7 项研究」的作者,交出的不是估计,是【假设的回声】。
四、【极难发现】反直觉的那一层
如果发表偏倚真的存在,funnel plot 也【不一定】不对称。原因是:发表偏倚的筛选机制作用在【p 值】上,而 p 值同时依赖效应量与精度。一个高精度的小效应和一个低精度的大效应,可以有相同的 p 值。于是「显著/不显著」的过滤在 funnel plot 上留下的不是干净的左右不对称,而是一条【对角线状的缺失带】——它看起来甚至可能相当对称。这解释了为什么某些已知存在发表偏倚的领域,漏斗图「很漂亮」。
更底层:漏斗的「漏斗形」来自【固定效应下的抽样分布】。一旦真实效应异质(随机效应),宽度是 τ² + SE² 的函数,而 τ² 不可观测。你在用一把尺子量一个长度会变的物体,然后声称量出了偏差。
五、【流程节点链路】
【判断某 meta 是否存在发表偏倚】→ 起点:明确【效应量指标 + 固定/随机模型】→ 节点2:检查【k ≥ 10】,否则停止,不画漏斗图 → 节点3:以【1/SE 或 SE】为纵轴画 contour-enhanced funnel plot(把 p=0.05/0.01 区域着色)→ 节点4:同时报告【Egger p】与【I²、τ²】→ 节点5:若不对称,列出【至少四种竞争解释】并声明无法区分 → 节点6:trim-and-fill 只作敏感性分析,不作校正 → 终点:结论只能是【「存在小样本效应/不对称」】,而不是【「存在发表偏倚 X%」】。
六、可操作清单
报告 k、I²、τ²、Egger p、以及 contour-enhanced 图;让读者看见缺失的是「不显著区」还是「某一侧」——这两者指向完全不同的机制。少于 10 项研究时,老实写「未评估发表偏倚」,比画一张好看的漏斗图更诚实。
【值得辩论的问题】如果 funnel plot 的不对称无法归因,那么 trim-and-fill、PET-PEESE 这些「发表偏倚校正」到底在估计什么?它们是不是只是用一个【新的不可检验假设】替换了旧的不可检验假设——而唯一确定的变化,是摘要里多了一个看起来像数字的东西?






0 評論