在元分析里，漏斗图不对称几乎已经成了发表偏倚的司法鉴定。常见流程是：画一张漏斗图，做Egger回归，p<0.05——然后结论里写“存在发表偏倚”。这个等式在方法学文献里早就被拆掉了，但至今仍是审稿意见中的常客。

1997年Egger提出那个著名的回归检验时，标题用的词是“bias”，不是“publication bias”。他后来的长期合作者Sterne在2011年BMJ的官方推荐中明确列了漏斗图不对称的多种可能原因：发表偏倚只是其中一种。其他包括真实效应异质性（小样本研究可能干预更重、人群更特异）、方法学质量梯度（小研究更容易缺分配隐藏）、事件率/尺度选择（OR vs RR出现不同的图形）、偶然性等。

一个经典的例子来自Lau et al. (2006)。他们展示了一个看似明显不对称的漏斗图，最后发现根源不是缺失研究，而是因为使用OR作为效应量时，事件率低的小研究天然会产生更大的表观效应，换成RR尺度图形就对称了。尺度选择的后果被当作发表偏倚——这是把测量工具的病看成研究对象的心跳。

更危险的是trim-and-fill——这个方法被很多软件默认输出。它的逻辑是：不对称=一边多出的研究需要被“补”出来以恢复对称，然后基于补出来的数据重估合并效应。但Duval & Tweedie (2000) 的算法假定被剪掉的研究的效应量对称地分布在真实效应两侧。这个假定在真实效应修饰下分崩离析：如果小研究因为人群更重而效应更大，trim-and-fill会用镜像的方式强行删掉大效应研究、补上缺失的小效应研究，把你“修正”到一个现实中不存在的效应上。Terrin et al. (2003) 的模拟显示，当不对称来自方法学偏倚而非发表机制时，trim-and-fill的校正后估计比未校正的更远离真值。

所以，面对不对称：第一，别急着说发表偏倚；第二，别按一个按钮就“校正”。先做分层或元回归——把样本量、风险偏倚等级、基线风险放进去，看不对称是否可被这些解释。如果大型低风险试验的系统效应与总体合并效应一致，那不对称很可能是小研究的噪音。

值得辩论的问题：当小研究效应是真实的（比如因为干预在严重亚组中确实更有效），我们把它当作“发表偏倚”修正掉，是在保护元分析，还是在用对称性的美学要求抹掉临床异质性？