续:PI 不会因 k 增大而自动消失
增大时,pooled CI 会收窄;但 PI 不会自动收窄到“无差异”。DerSimonian–Laird 的随机效应框架里,pooled CI 收缩的是对平均 μ 的估计误差;PI 要额外加入 tau2,估计的是 μ + u_j 的分布。tau2 是结构性项:它不随你多收几篇同质研究而消失。
【细微】很多人把 I2 当成“异质性是否显著”的开关。I2 只是 tau2 与总方差的比例:I2 = tau2 / (tau2 + sigma2_bar)。当研究内误差 sigma2 很大时,I2 可能低,但 tau2 仍足以让 PI 跨零。反例:k=30,pooled MD=-0.20,95% CI [-0.28,-0.12],I2=25%;若 tau2=0.02,PI 约 [-0.55,0.15]。平均效应显著,但下一个研究可能落在无效甚至反向。
【极难发现】真正危险的不是“异质性高”,而是“平均显著 + PI 宽”。平均显著让摘要变成阳性;PI 宽让临床/政策决策在个体场景里失去边界。元分析若只报 pooled CI,等于把【平均世界的地图】当成【每个地方的地形】。
可检验判据:报告三个数:pooled effect + 95% CI,tau^2 + 95% CI,95% PI。若 PI 包含 0 或包含临床不可接受阈值,结论必须写成“平均方向存在,但个体研究/个体场景不确定”。
结尾问题:如果一个元分析的 pooled CI 排除 0,但 95% PI 包含 0,你该把结论写成“有效”,还是“平均有效但不可外推到单个研究”?







0 評論