1 基本概念
1.1 定义与研究背景
Trim-and-fill法是一种用于元分析的统计校正方法，主要用于评估和修正可能存在的发表偏倚。其基本思路是先识别漏斗图中的不对称，再对可能缺失的研究进行补充，从而得到更接近总体真实效应的合并估计。该方法由此成为元分析中常见的敏感性分析工具之一，尤其适合在研究数量较多、结果分布呈现偏斜时使用。
1.2 在元分析中的作用
在元分析中，trim-and-fill法的作用并不只是“修正”结果，还包括帮助研究者判断合并效应是否对潜在偏倚过于敏感。它通常作为主分析之外的补充步骤，用来比较原始合并效应与校正后效应之间的差异。如果两者接近，说明结果可能较稳健；若差异明显，则提示合并结论需要谨慎解释。
1.3 与发表偏倚的关系
发表偏倚是指具有显著性、方向明确或“更有吸引力”结果的研究更容易被发表，而阴性或不显著研究则可能不易进入公开文献。trim-and-fill法正是针对这一现象提出的，它假定漏斗图中某一侧缺少部分研究，并尝试通过“填补”这些缺失点来还原更均衡的分布。因而，该方法常被视为发表偏倚诊断与调整的结合手段。
1.4 与小样本效应的关系
小样本效应指较小样本研究的效应量往往更大、波动更明显，导致漏斗图出现不对称。需要注意的是，这种不对称未必都来自发表偏倚，也可能与研究设计、测量误差或真实异质性有关。trim-and-fill法通常会把这类不对称纳入校正范围，因此其结果反映的是“可能受偏倚影响后的调整值”，而不一定等同于单一机制下的真实效应。
2 方法原理
2.1 漏斗图不对称性的识别
trim-and-fill法以漏斗图为基础，通过观察效应量与标准误之间的分布是否围绕中心线呈对称形态来判断是否存在缺失研究。若某一侧点位明显稀少，方法便会推测该侧可能缺少部分未发表或未纳入的研究。随后，算法会据此估计缺失数量及其可能位置。
2.2 “修剪”步骤
“修剪”是指先暂时移除造成不对称的部分极端研究或高影响研究，以便估计更稳定的中心效应。这个过程类似于先把图形中最偏离中心的一侧“削去”若干点，再重新计算对称中心。修剪的目的是让算法更清晰地识别总体分布的核心位置，而不是被少数偏离值主导。
2.3 “填补”步骤
在完成修剪并确定对称中心后，方法会把推测缺失的研究“镜像”式地补回漏斗图另一侧。填补的研究不是实际观测数据，而是基于现有研究分布推算出来的补充点。通过加入这些假设性研究，分析可形成一个更完整的对称分布，并据此重新计算合并效应。
2.4 校正后效应量的估计
当“修剪”和“填补”完成后，研究者会重新执行元分析，得到校正后的合并效应量。这个结果可理解为在考虑潜在发表偏倚后，对总体效应的一个调整估计。它并不是绝对真实值，但可以作为与原始结果对照的参考，帮助判断结论是否因文献缺失而发生显著变化。
3 统计假设与前提条件
3.1 漏斗图对称性的理论基础
trim-and-fill法建立在一个核心前提上，即在没有偏倚时，研究效应应围绕真实中心值近似对称分布。随着样本量增大，研究误差通常减小，因此漏斗图应呈现“上窄下宽”的大致对称形态。若这种理论结构本身不成立，校正结果的解释力就会下降。
3.2 缺失研究的机制假设
该方法默认漏掉的研究主要是由于选择性发表、选择性报告或检索不全造成的，并且缺失方向可通过图形不对称推断出来。也就是说，它假设“未见到的研究”并非完全随机缺失，而是与效应大小或统计显著性相关。若缺失机制更复杂，填补结果可能偏离实际情况。
3.3 效应量分布的稳定性要求
trim-and-fill法通常要求纳入研究的效应量具有较为稳定的统计性质，且各研究的测量尺度应尽可能可比。若不同研究使用的指标差异较大，或效应分布极不稳定，则漏斗图结构会变得难以解释。在此情况下，算法得到的补正值往往只能作为粗略参考。
3.4 异质性对方法适用性的影响
当研究间异质性较强时，漏斗图不对称未必意味着缺失研究，而可能源于真实效应在不同条件下变化。trim-and-fill法对这类情况较为敏感，容易把异质性误判为发表偏倚。因此，在高异质性数据中，通常需要结合亚组分析、元回归或其他偏倚诊断共同判断。
4 实施流程
4.1 构建原始元分析模型
实施trim-and-fill法前，通常先建立原始元分析模型，计算未校正的合并效应量及其置信区间。这个步骤为后续比较提供基准，也有助于明确研究整体方向和效应大小。常见做法是先完成固定效应或随机效应模型分析，再进入偏倚校正阶段。
4.2 生成漏斗图与初步诊断
接下来，研究者绘制漏斗图，观察点位分布是否明显偏向一侧。若图形大体对称，通常提示发表偏倚可能较弱；若分布不均，则需要进一步估计缺失研究。此时，图形诊断多为初筛，不应单独作为最终结论。
4.3 估计可能缺失的研究数量
在初步判断存在不对称后，算法会依据当前研究分布估计缺失研究数目。这个数量通常由迭代程序给出，核心目标是让修正后的漏斗图尽量接近对称。该数值可作为偏倚程度的一个粗略指标，但并不等于真实遗漏论文的精确数量。
4.4 计算补正后的合并效应
根据估计出的缺失研究位置与数量，方法将补入“虚拟研究”，并重新计算合并效应量。校正后结果可与原始结果直接比较，观察方向、幅度和统计显著性是否发生变化。若变化较大，则提示原始结论可能受文献选择影响较明显。
4.5 结果对比与敏感性分析
最终，研究者通常将原始结果与trim-and-fill校正结果并列展示，以评估结论稳健性。若条件允许，还应结合其他偏倚检验共同分析，例如漏斗图目视判断、统计检验及不同模型的比较。这样可以更全面地把握结果是否受发表偏倚或小样本效应干扰。
5 常用统计指标与输出结果
5.1 原始合并效应量
原始合并效应量是未进行偏倚校正时元分析得到的中心估计值。它通常是trim-and-fill法比较的基准，也是判断校正影响大小的起点。该指标本身并不说明偏倚是否存在，但为后续解释提供了参照。
5.2 修正后合并效应量
修正后合并效应量指在补入缺失研究后重新计算得到的结果。它反映了在假定存在发表偏倚条件下的调整估计，常被用来观察结论是否依旧成立。若修正值与原始值接近，则说明合并结果可能较为稳健。
5.3 缺失研究数
缺失研究数是trim-and-fill法输出的一个重要指标，表示算法推断需要补充的研究数量。该数值可提示漏斗图不对称的程度，但不能被理解为已确证的真实缺口。它更像是一个基于模型假设的估计量。
5.4 校正前后置信区间比较
校正前后置信区间的变化，能够反映偏倚调整是否影响结果的不确定性。若校正后区间明显变宽，说明考虑缺失研究后估计的稳定性下降；若区间位置发生移动，则表明效应方向或显著性可能被重新评估。该比较有助于判断结论的实际可靠程度。
6 优势与局限
6.1 方法优势
6.1.1 操作直观
trim-and-fill法的最大优点之一是思路清晰，易于理解。研究者只需结合漏斗图和补正结果，就能较快把握可能存在的偏倚方向。这种直观性使其在应用中具有较高可接受度。
6.1.2 便于结果解释
该方法提供了原始效应与校正效应的直接对照，便于读者理解偏倚可能带来的影响。对于非统计背景的研究人员而言，这种呈现方式也更容易被接受。因而，它常作为论文结果部分的重要补充信息。
6.1.3 可用于稳健性检验
trim-and-fill法不仅能估计校正值，还可作为敏感性分析的一环，帮助验证主结论是否稳定。若校正后结论变化不大，说明研究发现可能较为牢固。相反，若差异显著，则有必要进一步审视文献来源和分析模型。
6.2 方法局限
6.2.1 对异质性敏感
当研究间差异较大时，漏斗图不对称的来源会变得复杂，trim-and-fill法容易受到干扰。此时算法的“填补”可能并非在修正偏倚，而是在对真实异质性作出错误解释。因此，高异质性场景下应谨慎使用。
6.2.2 可能低估或高估缺失研究
由于该方法依赖模型假设，缺失研究数和校正效应并不总是准确。若不对称由其他原因造成，算法可能夸大缺失数量；反之，若缺失机制较隐蔽，也可能低估偏倚程度。结果应被看作估计而非定论。
6.2.3 不能替代全面的偏倚评估
trim-and-fill法只是偏倚诊断的一种工具，不能单独完成对文献质量和偏倚风险的全面判断。它无法替代注册研究审查、检索完整性评估、风险偏倚评定等工作。更稳妥的做法是把它放入完整的证据评价框架中使用。
7 与其他方法的比较
7.1 与漏斗图目视检验的比较
漏斗图目视检验依赖研究者主观判断，而trim-and-fill法在图形判断基础上进一步给出数量化校正。前者更适合初步观察，后者则能提供补正结果作为分析依据。两者常常配合使用，而非互相替代。
7.2 与Egger检验的比较
Egger检验是一种统计检验方法，主要用于检测漏斗图不对称是否显著。相比之下，trim-and-fill法不仅判断偏倚，还尝试对其进行修正。前者偏向“发现问题”，后者偏向“估算问题影响”，因此二者在功能上互补。
7.3 与Begg检验的比较
Begg检验通常基于秩相关思路，检出能力在某些场景下较为保守。trim-and-fill法则通过补入缺失研究来展示偏倚可能对效应量造成的变化。若研究者关心的是“偏倚会把结果改到什么程度”，trim-and-fill法更具解释性。
7.4 与选择模型的比较
选择模型试图显式建模研究被发表或纳入的机制，理论上更复杂，也更依赖模型设定。trim-and-fill法则结构相对简洁，执行成本较低，更适合作为常规敏感性分析。两者都用于处理发表偏倚，但建模深度和解释路径并不相同。
8 应用场景
8.1 医学与临床研究
在医学和临床元分析中，trim-and-fill法常用于药物疗效、治疗干预和诊断准确性研究的偏倚评估。尤其当正向结果更易发表时，该方法可帮助判断疗效是否被高估。它在临床证据综合中具有较高实用性。
8.2 心理学与行为科学
心理学研究中，小样本研究较常见，且显著结果更受关注，因此漏斗图不对称并不少见。trim-and-fill法可用于检视效应量是否因发表偏倚而被放大，特别适合情绪、认知、教育干预等领域的元分析。它常作为结果稳健性的补充说明。
8.3 教育学与社会科学
教育和社会科学的研究设计差异较大，文献发表也可能受到结果导向影响。trim-and-fill法可协助判断某些干预效果是否因样本选择而显得过强。对于跨地区、跨学校或跨项目的综合分析，它能提供一定的校正参考。
8.4 环境科学与公共卫生
在环境科学与公共卫生研究中，研究结果常受测量条件、地区差异和样本规模影响。trim-and-fill法可用于评估综合效应是否因缺失低效应研究而偏高。它在污染暴露、风险关联和干预效果汇总中都有一定应用空间。
9 结果解释与报告规范
9.1 如何解读补正结果
补正结果应被理解为在特定统计假设下对原始效应的调整估计，而不是对真实效应的最终定论。解释时应关注效应方向、幅度变化和显著性是否改变。若校正前后差异有限，可将原始结论视为较稳健；若差异明显，则需强调不确定性。
9.2 何时不宜过度依赖校正值
当研究数量较少、异质性很强或漏斗图结构难以解释时，不宜过度依赖trim-and-fill得到的校正值。此时补正结果可能更多反映模型假设，而非实际文献缺失。研究者应避免把它当作单一结论依据。
9.3 在论文中报告Trim-and-fill法的要点
论文中报告该方法时，通常应说明使用的软件、模型类型、估计出的缺失研究数、原始与校正后效应量及其置信区间。若存在明显异质性，也应说明这一点，以便读者判断结果适用范围。完整报告有助于提高分析透明度。
9.4 与其他偏倚诊断结果的联合呈现
更规范的做法是把trim-and-fill法与漏斗图、统计检验、质量评估结果一起呈现，而不是单独报告。多种方法一致时，偏倚判断更具说服力；若结果不一致，也能提醒读者谨慎解读。联合呈现有助于构建更完整的证据图景。
10 争议与方法学讨论
10.1 对缺失机制假设的争议
trim-and-fill法最大的争议之一，在于它对缺失研究机制的设定较为简化。现实中，文献缺失可能由多种原因共同造成，包括结果选择、检索限制、语言偏好和学科惯例等。由于机制复杂，单纯的镜像填补未必能准确重建真实分布。
10.2 在高异质性数据中的表现问题
在高异质性情境下，漏斗图不对称的成因往往混杂，算法容易出现误判。补正后的结果有时会过度平滑差异，甚至将真正的效应变化误认为偏倚修正。因而，对高度复杂的数据集，这一方法通常只能作为辅助工具。
10.3 对真实效应估计的偏移风险
尽管trim-and-fill法旨在减少偏倚，但它并不总能把估计值推向更真实的位置。有时，补正后的结果反而可能偏离真实效应更远，尤其是在缺失机制与模型假设不匹配时。研究者应将其视为“可能的调整方向”，而非绝对纠偏。
10.4 改进版本与扩展应用
围绕trim-and-fill法，后续研究提出了一些改进思路，例如结合不同估计策略、调整对异质性的处理方式，或与其他偏倚模型联用。部分扩展版本更适合特定数据结构或复杂元分析情境。总体而言，这些发展体现了该方法从基础校正工具向综合诊断框架演进的趋势。