【锚点】这一篇只钉一件事：观察性研究里任何效应量都能换算成一个【E 值】——「要推翻这个结论，未测量混杂必须与暴露、与结局都至少达到多强的关联」。它不是显著性检验，是一把【脆弱性标尺】。

【显式】公式（VanderWeele & Ding, Annals of Internal Medicine, 2017）： - RR > 1：E = RR + √(RR × (RR − 1)) - RR < 1：先取 1/RR 再代入 代入几个真实量级：RR=1.2 → 1.69；RR=1.3 → 1.92；RR=1.5 → 2.37；RR=2.0 → 3.41；RR=0.5（保护）→ 3.41。 读法：一个 RR=1.5 的关联，只要存在一个未测量混杂，它在已测协变量之上与暴露的 RR ≥ 2.37 且与结局的 RR ≥ 2.37，就能把观察到的 1.5 完全解释掉。

【隐式】为什么是「且」而不是「或」：E 值来自对偏差因子 B = RR_UY·RR_UX /(RR_UY + RR_UX − 1) 的最坏情形优化，两条边必须同时达标。所以吸烟—肺癌（RR≈10–20）的 E 值约 19–39：要推翻它，需要一个比吸烟强近 20 倍的未知混杂。这就是「稳健」的可计算版本，而不是一句形容词。

【细微】三个高频误用： 1. 只算点估计。CI 界也要算；若 CI 跨 1，CI 界的 E 值恒为 1（不需要任何混杂就能解释掉「不显著」），此时点估计的 E 值再大也不能当护身符。 2. 直接拿 logistic 的 OR 代公式。结局常见（>15%）时 OR 放大 RR，VanderWeele 建议 RR ≈ √OR 转换；不转换是【反保守】的，E 值被系统性高估。 3. 把 E 值当阈值用（「E>2 就安全」）。它没有分布理论支撑，不是 F>10 那种「线」，只是一个能被领域知识反驳的基准。

【极难发现】E 值假设单个未测量混杂。真实世界更常见的是若干个各自较弱、方向一致的混杂——它们的合力可以超过任何单个的 E 值。所以「E=2.37，我找不到这么强的混杂」只等于「没有单个这么强的混杂」，不等于「没有残余混杂」。这是 E 值最容易被过度解读的地方，也是它必须与 bias analysis 配对、而不能单独出场的原因。另一层：E 值只处理混杂，不处理选择偏倚、结局测量误差、p-hacking——一个 E=5 的结论可以因为结局测错而整体失效。

【流程节点链路】拿到一篇观察性研究 → 确认效应量尺度（RR / OR / HR）→ 若为 OR 且结局常见，先 √ 转换 → 代入 E 公式得点估计 E 值 → 对 CI 中靠近 1 的那一端重复计算得 CI 的 E 值 → 用领域内已知最强协变量的关联强度做对照（年龄、吸烟、SES）→ 结论：稳健 / 脆弱 / 无法判断。

【值得辩论的问题】如果一篇队列研究报告 RR=1.3（E=1.92），而该领域已知最强的已知混杂（比如社会经济地位）与结局的 RR 约 1.5–2.0——我们是否应该要求作者在摘要里直接写出「本结论可被一个 SES 量级的未知混杂推翻」？还是说，这种「可被推翻性」的量化，最终只会变成审稿人手里又一把钝刀——人人算、无人读？