”本身被误读为“几乎不可能有混杂”。 【流程节点链路】：【看到显著RR/HR】→【提取点估计与CI下限】→【计算E-value】→【对照领域常见混杂强度】→【判断效应是否可能被未测混杂抹掉】→【给出稳健/脆弱结论】。 【显式】E-value 只回答“需要多强”，不回答“是否存在”。计算逻辑可追溯到 VanderWeele & Ding (2017) 的敏感性分析框架：它把未测混杂的强度折算成一个相对风险阈值。若某领域里吸烟、BMI、社会经济地位等常见混杂的 RR 经常达到 2-3，那么 E-value=2.37 并不让人安心。 【例子】HR=0.80，95%CI 0.70-0.92。按 HR≈RR 近似：点估计 E≈1.81，CI 下限 E≈1.40。这意味着：要把保护效应解释到零，未测混杂需要达到约 1.81；要解释到不显著，约 1.40 即可。很多观察性研究里，1.40 的混杂强度并不罕见。 【隐式】E-value 最大的价值不是“证明因果”，而是把审稿人的模糊怀疑变成可争论的数字：你可以反驳“你的未测混杂不可能达到 1.81”，也可以反驳“该领域常见混杂强度足以达到 1.40”。 【细微】报告 E-value 时，点估计 E 和 CI 下限 E 要分开写。只报点估计会高估稳健性；只报 p 值则完全丢失效应尺度。 【极难发现】E-value 的对称假设会制造虚假安全感：它把混杂强度压成一个 RR 阈值，却忽略了混杂可能通过交互、测量误差、选择机制或时间依赖方式起作用。换句话说，它检验的是“一个足够强的单因素混杂”，不是“现实世界所有未测机制的总能量”。 【结论】E-value 是观察性研究的压力测试，不是因果证书。它最有力量的用法是：当 CI 下限 E 低于领域常见混杂强度时，把“可能受未测混杂影响”从口头质疑变成可量化风险。 【值得辩论】如果一项研究 RR=1.20、95%CI 1.05-1.38，E-value=1.69/1.28，而该领域常见未测混杂强度约 1.5，你会建议作者把结论降级为“提示性关联”，还是维持“支持因果”？