发表偏见

发表偏见 (Publication Bias)

发表偏见（publication bias），亦称发表偏倚或"文件抽屉问题"（file drawer problem），指学术期刊、审稿人和研究者倾向于发表统计显著（$p < 0.05$）或符合预期方向的结果，而将零结果（null results）、阴性结果或不符合主流叙事的研究搁置于"文件抽屉"中不予投稿或被拒稿的系统性偏差。该概念由Robert Rosenthal于1979年系统提出，是元分析（meta-analysis）和证据合成领域最核心的威胁之一。

机制与成因

发表偏见的来源是多层次的。(1) 编辑与审稿人偏好：期刊倾向于接受"正向"且新颖的发现以提升引用率和影响力，统计显著的结果被接收概率显著高于非显著结果。(2) 研究者自我审查：研究者预期非显著结果难以发表，从而主动放弃撰写或投稿，形成"文件抽屉效应"——大量阴性研究被永久掩埋。(3) 资助者与利益冲突：药企等行业资助的研究更可能报告有利于资助方的结果，负面结果被压制。(4) 语言与地域偏见：非英语期刊或发展中国家的研究更易被忽视。

后果与危害

发表偏见导致已发表文献中的效应量（effect size）被系统性高估。当元分析仅基于已发表研究时，合并效应量会产生正向偏差，可能将无效干预误判为有效。在医学中，这可能直接危及患者安全；在经济学中，可能导致政策制定基于夸大的因果效应。此外，发表偏见破坏了科学的可重复性（replicability），催生"显著结果通胀"，是 replication crisis（可重复性危机）的重要推手。

检测方法

漏斗图（funnel plot）是最直观的工具：以效应量为横轴、标准误（或样本量）为纵轴的散点图，在无偏情况下应呈对称倒漏斗形——小样本研究分散于底部、大样本研究集中于顶部。若底部出现不对称（如缺少左下角的小样本零结果），则提示发表偏见。

Egger回归检验：以效应量除以其标准误（即$Z$统计量）为因变量、精度（$1/\text{SE}$）为自变量进行线性回归，截距显著偏离零表明漏斗图不对称。Begg秩相关检验：检验效应量与方差之间的Kendall's tau秩相关，若存在显著相关性则提示发表偏见。此外，失安全系数（fail-safe N，Rosenthal法）估算需多少未发表的零结果才能使元分析结果变为不显著——若该值较小（如$N_{fs} < 5k + 10$），则结果不够稳健。

更现代的检测手段包括修剪填充法（trim-and-fill，Duval \& Tweedie）：用迭代算法修剪不对称的极端研究后重新估计效应量，再将修剪研究及镜像值填充回来，获得发表偏见校正后的合并效应量。p曲线分析（p-curve）则检验一组研究中$p$值的分布形状——若仅有真实效应，$p$值在$[0, 0.025]$区间应呈右斜分布；若缺乏左侧低密度区域则提示p-hacking。

应对策略

(1) 预注册（preregistration）与研究注册（如AEA RCT Registry、ClinicalTrials.gov）：在研究开始前公开登记研究设计、假设和分析计划，切断事后修改的自由度。(2) 注册报告（Registered Reports）：期刊在数据收集前根据研究问题和方法质量进行同行评审并原则接收，无论结果方向如何均予发表。(3) 鼓励发表零结果：设立专门的零结果期刊或栏目，降低阴性研究的发表门槛。(4) 元分析中的灰色文献检索：系统检索学位论文、会议论文、工作论文和技术报告等未正式发表文献。(5) 公开数据与代码：通过数据共享和代码公开增强可复现性，使选择性报告更易被察觉。发表偏见已从方法论问题上升为科学治理的核心议题，其识别与矫正对经济学经验研究的可信性革命（credibility revolution）至关重要。