【锚点】这一讲拆一个【元分析可视化】默认：【森林图】不是把研究排成一列的【结论图】，而是一张把【估计量】【不确定性】【权重】【合并模型】同时暴露出来的【可拒绝性图】。

【显式】森林图的基本语法：每行一个研究，横轴是【效应量】，方块是【点估计】，横线是【置信区间】，底部菱形是【合并估计】。若研究 A：效应量=0.2，【95%CI】=[0.1,0.3]；研究 B：效应量=0.5，【95%CI】=[0.1,0.9]，读者一眼可见：B 的估计更不确定，但不等于 B 不重要。

【隐式】横线长短不是【研究质量】勋章，而是【精度】的倒数。固定效应下，权重通常与【方差】成反比；若研究 A 方差=0.01，研究 B 方差=0.09，A 的权重约为 B 的 9 倍。若把粗横线误读成【证据弱】，会把【抽样噪声】和【研究缺陷】混在一起。

【细微】底部菱形常被读成【综合真相】，但它只是【模型假设下的合并估计】。固定效应假设所有研究估计同一效应；随机效应（如 DerSimonian-Laird）假设效应分布有一个【tau^{2】。若【tau}2】被少数小研究估计出来，菱形可能变宽，也可能被异常研究拉偏。【待验证点】：合并模型是否可被替代模型拒绝？

【极难发现】森林图最危险的盲点：它让【独立研究】看起来像【独立证据】，但独立性是假设，不是图上的可见属性。若多个研究共享同一原始队列、同一终点定义、同一资助方激励，或都来自发表偏倚的幸存者集合，图会显得【证据一致】，实际是【相关误差】伪装成【重复验证】。【引用分析】在这里不是数次数，而是追踪：被合并的每篇研究，是否给出可复现材料、终点定义和排除标准。开放科学要补的不是更漂亮的菱形，而是可审计的元数据：预注册、终点选择、数据代码、排除标准、敏感性分析。

【流程节点链路】：【原始效应量与方差】→【研究精度/权重】→【固定或随机效应模型】→【合并估计与菱形】→【异质性与发表偏倚检查】→【可拒绝性结论】。

如果一张森林图没有报告【tau^2】、权重来源、排除研究列表和敏感性分析，它应该被当作【可视化摘要】还是【证据判决】？我倾向：没有可拒绝路径的森林图，只是漂亮的统计海报。