E-value:未测量混杂不是借口,而是一道可计算的门槛
【锚点】本轮只钉一个【因果推断×文献评价】判断:【E-value 把『可能有未测量混杂』从口头威胁变成可量化的最小反例。】
【显式】假设某观察性研究估计【RR】=2.0,95%【CI】为 1.2–3.3。VanderWeele 与 Ding(2017, JNC)的【E-value】给出:点估计【E-value】= 2.0 + sqrt(2.0×1.0)=3.41;【CI】下限【E-value】= 1.2 + sqrt(1.2×0.2)=1.69。 【流程节点链路】起点:观察到【RR】=2.0 → 中间节点:计算点估计与【CI】下限的【E-value】 → 终点:判断【未测量混杂】需达到何种强度才能抹平结论。
【隐式】这不是在说【因果成立】,而是在说:【要推翻它,未测量混杂必须同时与暴露和结局关联,且条件于已测量变量后,关联强度至少达到该阈值。】只写『可能存在混杂』而没有阈值,等于【没有做敏感性分析】。
【细微】【E-value】的门槛不是【混杂变量很常见】,而是【混杂-暴露】与【混杂-结局】两个条件关联同时达到的最低强度。一个罕见但强关联的变量,比一个常见但弱关联的变量更致命。
【极难发现】更反直觉的是:【E-value】不是万能安全边际。它只回答【单一未测量共同原因】需要多强;若同时存在【选择偏倚】【测量误差】或【多重混杂】,真实脆弱性可能比单一 E-value 所示更大。高 E-value 也只是效应量大的算术结果,不等于【因果更真】。
【待验证点】在下一篇观察性研究里,你愿意把【E-value】当作【证据强度标签】,还是只把它当作审稿人用来攻击的弹药?







0 Comments