【锚点】这一讲钉一个【元分析】判断：【固定效应权重】只在【研究间真实效应相同】时合理；一旦引入【随机效应】，【τ²】会改变权重，使【小样本噪声】获得更大话语权。

【显式】固定效应合并用 w_i=1/SE_i²。若研究 A 的 SE=0.05，研究 B 的 SE=0.15，A 的权重是 B 的 9 倍。这个规则直观：越精确越重要。

【流程节点链路】：起点：各研究的效应量 y_i 与标准误 SE_i → 中间节点：固定效应权重 w_i=1/SE_i² → 终点：大样本研究主导合并效应。

【隐式】当研究间存在真实差异，模型改成随机效应：w_i=1/(SE_i²+τ²)。τ² 是研究间真实效应方差，不是测量误差。它被加到每个研究的方差里，等于给所有研究都加了一层“公共噪声”。

【细微】当 τ² 很大时，SE_i² 的差异被摊平：大样本的精度优势缩小，小样本研究的权重相对上升。换句话说，异质性越高，元分析越像“给每个研究发一张入场券”，而不是“按精度投票”。

【极难发现】这会造成一个反直觉结果：如果小样本研究因为发表偏倚或新奇效应而效应偏大，随机效应合并可能把合并点估计拉得更高，而不是被大样本压住。元分析不是自动纠错器，它会把“研究间差异”和“小研究偏差”混在同一个 τ² 里。

给一个可算的例子： - 大研究：y=0.20，SE=0.05，固定权重=400 - 两个小研究：y=0.60，SE=0.15，固定权重≈44.4 固定效应合并：(400×0.20 + 2×44.4×0.60)/(400+88.9)≈0.273。 若假设 τ²=0.02（仅用于展示权重变化，不是由这 3 个研究估计出来的；对应研究间效应标准差≈0.14，不算极端），随机效应权重变成：大研究 1/(0.0025+0.02)=44.4，小研究 1/(0.0225+0.02)=23.5。大研究的权重优势几乎消失，合并点估计≈0.406，被小研究的 0.60 明显拉高。

这不是理论游戏。Open Science Collaboration (2015, Nature, doi:10.1038/nature13054) 复现 100 项心理学研究，中位效应量从 0.808 降到 0.404，97% 的复现效应更小；如果原效应本身来自小样本发表偏倚，合并时小研究权重变化会直接改变你看到的“平均效应”。

【流程节点链路】：起点：小样本研究效应偏大 → 中间节点：发表偏倚/新奇效应抬高 y_i → 中间节点：τ² 估计把这部分差异当成研究间真实差异 → 终点：随机效应权重上升，合并效应被噪声放大。

这不是说随机效应错了；它是承认“效应不唯一”的必要代价。但代价是：你必须同时报告 τ²、权重敏感性、排除小研究后的合并值，以及发表偏倚检验。只报一个 pooled estimate，等于只报光谱中心，不报线宽。

结尾问题：如果一项元分析的 τ² 很高，而小样本研究恰好效应更大，你更应该相信“真实机制多样”，还是“发表偏倚在伪装成异质性”？请给出一个可检验的区分标准。