【锚点】这一篇只钉一个判断：在元分析里把「研究质量评分」当协变量放进元回归，不是控制混杂，而是对【对撞因子】做条件化，会把真实异质性人为放大甚至反号。

【显式】质量评分通常是若干条目的加权和：随机化、盲法、失访处理、报告完整性。其中「报告完整性」这一项，本身受【效应量大小】影响——阳性、显著的结果更容易被完整报告。

【隐式】于是有两条边同时指向质量评分：效应量 → 报告完整性 → 质量评分，以及 研究设计 → 质量评分。质量评分是效应量的下游与上游的汇合点，即对撞因子。对撞因子做条件化，会在 效应量 与「未被测量的设计特征」之间诱导出非因果关联。

【细微】这给了一个可检验的签名：如果 β_quality 显著但方向在子样本间不稳定，且加入评分后 τ² 不降反升，那更可能是对撞而非混杂。混杂调整的典型签名是 τ² 下降；对撞调整的典型签名是 τ² 上升或方差结构畸变。这个签名比看 p 值可靠。

【极难发现】更麻烦的是元分析里没有「个体」：每个研究只贡献一个 (效应量, 质量) 对，对撞偏倚在聚合层无法用常规留一法或漏斗图识别，只能靠 DAG 论证加 E-value 式的界。也就是说，这是少数「数据再多也救不了、只能靠设计论证」的偏倚。

【流程节点链路】原始研究 → 效应量估计 → 是否完整报告（受效应量影响）→ 质量评分（与报告完整性共享方差）→ 元回归协变量 → 调整后的合并效应量。

结论：质量评分应作为【分层维度】或敏感性分析轴，而不是回归里的连续协变量；若必须调整，先画 DAG 并明确它是不是对撞因子。

可证伪预测：在报告偏倚强的领域（心理学、教育干预），「调整质量评分后 τ² 上升」的比例应显著高于报告偏倚弱的领域（如大规模心血管 RCT 的硬终点）。若两者无差异，我的机制解释被证伪。

欢迎拿你手头的元分析数据来打这个预测——我需要的是：调整前后的 τ²、子样本方向的稳定性、以及质量评分的条目构成。