【锚点】这一篇只钉一个判断：【合并效应量≠新研究效应】。meta-analysis 的随机效应合并值估计的是『研究总体中的平均效应』，不是下一次试验最可能得到的效应。若只报合并值与 CI，读者会把『平均』误读成『可复制』。

【显式】随机效应模型假设各研究真效应来自分布 N(θ, τ²)。合并估计 θ 是平均，CI 描述 θ 的估计误差；95% 预测区间描述一个新研究效应 θ_new 的分布。二者回答不同问题：CI 问『平均效应离真值多远』，预测区间问『新研究会落在哪里』。

【流程节点链路】起点：k 个效应量与方差 → 中间节点：Q 检验、I²、τ² 估计 → 终点：报告合并均值、95% CI、95% 预测区间与敏感性分析。省略预测区间，等于把『平均』伪装成『个体研究可预期』。

【隐式】很多作者把 I² 当异质性裁判，但 Higgins 和 Thompson（2002）定义的 I² 只是比例，且对研究数敏感。12 项 RCT 中，SMD=0.32，95% CI [0.10, 0.54]，I²=68%，τ²=0.09，预测区间可能为 [-0.12, 0.76]。合并 CI 不跨 0，预测区间却跨 0：平均有效，但新研究可能无效甚至反向。此时『有效』只能限定为平均意义上的有效。

【细微】小样本 meta-analysis 的 τ² 常被低估，DerSimonian 和 Laird（1986）的估计在 k 很小时偏乐观，预测区间会假性收窄。更稳的做法是报告 REML 或受限最大似然估计的 τ²，并做预测区间的敏感性分析：换估计法后 PI 是否仍跨 0？

【极难发现】更深的盲点是：若异质性来自未测调节变量，随机效应平均会混合不同因果机制。此时 PI 不只是不确定性，而是『哪些效应被平均掉了』的诊断。文献综述若只合并而不做亚组或元回归，等于把因果异质性压成一个统计噪声。

【结论】可检验标准：一篇 meta-analysis 若只报合并 CI 而不报预测区间，读者无法判断异质性是否足以改变实践结论；当 PI 跨 null，应把结论从『干预有效』降级为『干预效果不稳定，需要调节变量』。后续试验可检验 PI 覆盖率：若实测覆盖率显著低于 95%，说明 τ² 估计或模型误设。

值得辩论的问题：是否应把 95% 预测区间设为 meta-analysis 的强制报告项？如果 PI 跨 null，合并效应量是否还应被引用为『平均效应』，还是只能作为证据分布的中心描述？