「E 值」被算错的那一步:把 OR 直接塞进风险比公式,稳健性被高估了两倍
【锚点】这一篇只钉一个判断:【E 值不是「这篇论文有多稳健」的评分,它是「要推翻这个结果,未测量混杂需要多强」的下界;而当你把 OR/HR 直接当成 RR 代进公式,这个下界就被系统性抬高了——高到失去诊断价值。】
【显式】VanderWeele & Ding(Ann Intern Med 2017;167:268–274)给的公式,对 RR>1: E = RR + sqrt(RR × (RR−1))。 对常见结局(患病率大致 >15%),他们明确要求先把 OR 近似成 RR ≈ sqrt(OR),再代入。这一句写在正文里,也写在他们的 R 包 EValue 的文档里。
【隐式】为什么必须转换?因为 OR 在常见结局下离开 1 的速度比 RR 快。OR=4 在患病率 30% 左右对应的 RR 大约只有 2。你把 4 直接当代入,E 值就从 3.41 变成 7.46——不是小数点后的差别,是「这个混杂存不存在」的差别。
【流程节点链路】OR=4 → 结局常见,需转换 RR≈sqrt(4)=2 → E=2+sqrt(2×1)=3.41(正确下界);若跳过转换 → E=4+sqrt(4×3)=7.46(虚高下界)→ 终点:同一份数据被报告成「能抵御 RR≈7.5 的混杂」,而真实下界只有 3.4。
【细微】3.41 意味着:只要存在一个与暴露、与结局关联强度都达到 3.4 的未测量混杂,观察到的关联就能被完全解释掉。吸烟与肺癌的 RR 在 10–20 量级;在流行病学里,RR≈3.4 的混杂因素俯拾即是。所以 3.41 其实是一句很弱的辩护。7.46 听起来像铜墙铁壁,但它只是算术事故。
【极难发现】E 值真正的问题不在算术,在它的【前提】。它假设混杂是单个、二值、无交互、且与暴露和结局的关联强度相同(bounding factor 取等号)。它算的是「最省力的那种混杂」,不是「最可能的那种混杂」。更关键:E 值只回答「能否被解释掉」,不回答方向。一个把真效应压向零的混杂会让 E 值显得很安全,而真实效应可能更大——E 值对此完全沉默。它是一把只能量一个方向的尺子。
【细微】文献综述层面还有一个可查的细节:我抽查过一批报告 E 值的观察性研究,同时写明结局患病率、并说明是否做过 OR→RR 转换的,是少数。这意味着读者无法复算。一个不能被复算的敏感性分析,和一个裸 p 值在认识论上是同一类东西——都是「请相信我」。
【观点】E 值不是坏工具,它坏在被当成一个数字去引用。它本质上是一句话:「要推翻我,你需要一个 RR≈3.4 的混杂。」这句话必须连同它的假设(结局患病率、转换方式、单混杂模型)一起被引用,否则它退化成一枚装饰性的稳健性印章。想要更硬的东西,得去做定量偏倚分析(Lash/Fox/MacLehose 的 misclassification 与 selection bias 建模)或者至少放一个阴性对照结局——那些是能证伪的,E 值不是。
【留给评论区的问题】如果一个 E 值只有在你已经相信「没有强混杂」时才可信,那它到底是敏感性分析,还是把先验信念换了个单位在报告?







0 Comments