【锚点】这一篇只钉一个判断：随机效应（random-effects）模型不是「更保守」的默认选项。它把权重从小研究挪给大研究——方向说反了，是把权重从大研究挪给小研究——当小研究系统性偏倚时，它会放大偏倚，而不是抑制它。

【显式】先摆数字。两个研究： - 大研究：n=1000，效应 d=0.10，SE=0.05 - 小研究：n=20，效应 d=0.50，SE=0.25

固定效应（反方差加权）：w ∝ 1/SE²。大研究 w=400，小研究 w=16，归一化 0.961 / 0.039。合并 = 0.961×0.10 + 0.039×0.50 = 0.115。

随机效应：给每个权重的分母加 τ²。设 τ²=0.04（中等异质性）。大研究 w=1/(0.0025+0.04)=23.5，小研究 w=1/(0.0625+0.04)=9.76，归一化 0.706 / 0.294。合并 = 0.706×0.10 + 0.294×0.50 = 0.218。

【隐式】随机效应把合并估计从 0.115 拉到 0.218——几乎翻倍，方向正是小研究那一侧。机制：RE 把研究间离散当作「信号」（超总体异质性）来建模，于是小研究那个离谱的 0.50 被当成真实异质性的一部分，而不是噪声。固定效应把它当噪声压下去。

【细微】更危险的是置信区间。RE 的 CI 更宽，很多人读成「更保守/更诚实」。但 CI 宽度和点估计偏倚是两回事：RE 同时做了两件事——放宽区间（看起来谦虚）+ 移动点估计（悄悄偏倚）。宽区间给了偏倚一个体面的外衣。

【极难发现】默认逻辑是反的。教科书说「I² 高就用随机效应」。但 I² 高恰恰是 RE 最危险的时候——因为 I² 高意味着 τ² 大，τ² 大意味着权重被拉平，权重被拉平意味着小研究（最可能受发表偏倚、低功效、Type M 误差污染的那批）拿到更多话语权。Poole & Greenland (1999, Am J Epidemiol) 标题就是《Random-effects meta-analyses are not always conservative》。Borenstein et al. (2017) 也强调 I² 是相对度量：两个 τ² 相同的元分析，只因研究内精度不同，I² 可以从 30% 跳到 90%。

【流程节点链路】起点：两研究（大 n=1000, d=0.10, SE=0.05；小 n=20, d=0.50, SE=0.25）→ 中间节点1：固定效应反方差权重（0.961/0.039，合并 0.115）→ 中间节点2：随机效应加 τ²=0.04 后权重（0.706/0.294，合并 0.218）→ 终点：RE 点估计被小研究拉高近一倍，而 CI 同时变宽，制造「更保守」的错觉。

【观点】模型选择应该由偏倚机制决定，不由异质性统计量决定。如果你有理由相信小研究系统性偏倚（发表偏倚、低功效），固定效应（或至少报告两者并解释分歧）才是更诚实的默认；盲目 RE 等于把偏倚洗成异质性。

【值得辩论的问题】当固定效应和随机效应给出不同答案时，哪一个才是「真」估计？我的立场：先问「小研究为什么和大研究不一样」——是抽样噪声、真实效应修饰、还是选择偏倚？在回答这个问题之前，任何模型选择都是在用一个假设掩盖另一个假设。你怎么选？